CN112862703B - 基于移动拍照的图像校正方法、装置、电子设备及介质 - Google Patents

基于移动拍照的图像校正方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN112862703B
CN112862703B CN202110083322.7A CN202110083322A CN112862703B CN 112862703 B CN112862703 B CN 112862703B CN 202110083322 A CN202110083322 A CN 202110083322A CN 112862703 B CN112862703 B CN 112862703B
Authority
CN
China
Prior art keywords
image
noise reduction
original
standard
gray
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
CN202110083322.7A
Other languages
English (en)
Other versions
CN112862703A (zh
Inventor
王声远
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110083322.7A priority Critical patent/CN112862703B/zh
Publication of CN112862703A publication Critical patent/CN112862703A/zh
Application granted granted Critical
Publication of CN112862703B publication Critical patent/CN112862703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/90—Determination of colour characteristics

Landscapes

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

Abstract

本发明涉及图像处理技术，揭露一种基于移动拍照的图像校正方法，包括：将原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；将所述原始图像输入所述标准生成对抗网络模型，得到标准灰度图像；利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；根据所述图像边缘坐标校正所述原始图像，得到校正图像。本发明还提出一种基于移动拍照的图像校正装置、设备及存储介质。本发明还涉及区块链技术，所述原始图像可存储于区块链节点中。本发明可以准确地对图像进行校正。

Description

基于移动拍照的图像校正方法、装置、电子设备及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于移动拍照的图像校正方法、装置、电子设备及计算机可读存储介质。
背景技术
在合同、收据等业务办理中，常常会通过签名或印章标识业务办理的主体，在业务办理之后，也常常需要对签名或印章进行核验。随着计算机技术的发展，已经实现了通过电子手段进行核验，而现有技术中在采用电子手段进行核验时，往往需要专门的设备(如高拍仪)在特定的角度进行拍摄，当使用普通的图像采集设备采集时，往往因角度拍摄的随意性等问题使图像出现变形等问题，导致无法快速准确地从图像中识别签名、印章等目标物，因此，亟需一种对图像进行校正的方法，提高从图像中识别签名、印章等目标物的识别率。
发明内容
本发明提供一种基于移动拍照的图像校正方法、装置、电子设备及计算机可读存储介质，其主要目的在于准确地对图像进行校正。
为实现上述目的，本发明提供的一种基于移动拍照的图像校正方法，包括：
获取移动终端拍摄的原始图像；
将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；
利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；
对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；
根据所述图像边缘坐标校正所述原始图像，得到校正图像。
可选地，所述利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像，包括：
利用高斯滤波器中二维高斯函数计算所述标准灰度图像中像素点在正态分布下分配的权值；
根据预设降噪模板的大小和所述像素点在正态分布下分配的权值进行加权平均操作，计算出所述标准灰度图像中像素点的降噪像素值，得到由所述降噪像素值组成的降噪图像。
可选地，所述对所述降噪图像进行分块二值化处理得到二值化图像，包括：
计算所述降噪图像中所有像素点的灰度平均值；
对所述降噪图像进行分块处理，得到多个降噪图像块；
根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块；
将所述多个二值化图像块进行合并，得到所述二值化图像。
所述将所述原始图像输入生成对抗网络模型之前，所述方法还包括：
组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型；
获取图像训练集和所述图像训练集的灰度图像集，将所述图像训练集输入至所述待训练生成对抗网络模型；
利用所述生成器生成与所述图像训练集对应的灰度判别图像集；
利用所述鉴别器鉴别所述灰度判别图像集中灰度判别图像与所述灰度图像集中灰度图像的相似度；
若相似度小于预设阈值，调整所述待训练生成对抗网络模型的内部参数；
若相似度大于或等于所述预设阈值，确定得到训练完成的生成对抗网络模型。
可选地，所述述边缘检测算法包括：
Figure BDA0002909916080000021
其中，(x,y)为所述二值化图像中像素的坐标点，G(x,y)为坐标点(x,y)的梯度，Gx(x,y)为坐标点(x,y)在x轴上的梯度，Gy(x,y)为坐标点(x,y)在y轴上的梯度。
可选地，所根据所述图像边缘坐标校正所述原始图像，得到校正图像，包括：
根据所述原始图像创建原始变换矩阵；
根据所述原始变换矩阵构建包含未知参数的原始变换方程；
利用所述图像边缘坐标计算所述原始变换方程的未知参数，得到标准变换方程；
根据所述标准变换方程得到标准变换矩阵；
利用所述标准变换矩阵对所述原始图像进行校正，得到所述校正图像。
可选地，所述计算所述降噪图像中所有像素点的灰度平均值，包括：
获取所述降噪图像中所有像素点；
计算所述降噪图像中所有像素点的灰度值，将所述灰度值除以所述降噪图像中所有像素点的总数，得到所述降噪图像中所有像素点的灰度平均值。
为了解决上述问题，本发明还提供一种基于移动拍照的图像校正装置，所述装置包括：
图像获取模块，用于获取移动终端拍摄的原始图像；
标准灰度图像获取模块，用于将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；
降噪平均模块，用于利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；
边缘计算模块，用于对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；
图像校正模块，用于根据所述图像边缘坐标校正所述原始图像，得到校正图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于移动拍照的图像校正方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的基于移动拍照的图像校正方法。
本发明实施例中，获取移动终端拍摄的原始图像；将原始图像输入生成对抗网络模型，得到标准灰度图像，由于生成对抗网络模型由图像训练集和灰度图像集训练得到，因此能够快速得到更准确的灰度图像；进一步地，利用高斯滤波器对标准灰度图像进行降噪处理，对降到处理得到的降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；根据所述图像边缘坐标校正所述原始图像，从而能够实现准确地对图像进行校正的目的。
附图说明
图1为本发明一实施例提供的一种基于移动拍照的图像校正方法的流程示意图；
图2为本发明一实施例提供的基于移动拍照的图像校正装置的模块示意图；
图3为本发明一实施例提供的实现基于移动拍照的图像校正方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于移动拍照的图像校正方法。所述基于移动拍照的图像校正方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于移动拍照的图像校正方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的一种基于移动拍照的图像校正方法的流程示意图。在本实施例中，所述基于移动拍照的图像校正方法包括：
S1、获取移动终端拍摄的原始图像。
本发明实施例中，所述移动终端可以为手机、平板、智能手表、笔记本、车载电脑等电子设备。
所述原始图像为通过移动终端拍摄到的图像。例如，原始图像为带有公司或个人印章的图像(如带有印章的票据或带有印章的单据)，或者原始图像为带有个人签名的图像。
本发明一实施例中，移动终端的拍照模块接收到拍摄开始指令后，启动摄像头进行拍摄，并根据接收到的拍摄结束指令停止拍摄，具体的，当移动终端的一可触控按钮接收到触控操作时触发拍摄开始指令，当移动终端的另一可触控按钮接收到相同或不同的触控操作时触发拍摄结束指令。
S2、将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到。
本发明实施例中得到的标准灰度图像是灰度图像，具体的，灰度图像是每个像素点只有一个采样颜色的图像。
本发明实施例中，所述生成对抗网络模型是通过无监督的学习方式得到的。
本发明实施例中，通过将图像输入至生成对抗网络模型，能够快速得到更准确的灰度图像。
进一步的，在本发明一可选实施例中，所述将所述原始图像输入生成对抗网络模型之前，所述方法还包括：
步骤A：组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型；
详细地，所述生成器包括卷积层，利用所述卷积层可以将所述图像训练集中的训练图像进行卷积，得到卷积图像；所述卷积图像中像素点的数量相比于所述训练图片中像素点的数量变少，利用卷积层对所述训练图像不断进行卷积得到最终卷积图像，将所述最终卷积图像中像素点的RGB值作为训练图像的灰度化RGB值，得到灰度判别图像；对所述图像训练集中所有图像全部进行上述操作得到灰度判别图像集。
具体地：所述组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型，包括：
使用如下组合公式，组合所述生成器和所述鉴别器：
Figure BDA0002909916080000061
D(G(Z))为所述鉴别器，D(x)为生成器，
Figure BDA0002909916080000062
为待训练生成对抗网络模型。
步骤B：获取图像训练集和所述图像训练集的灰度图像集，将所述图像训练集输入至所述待训练生成对抗网络模型；
本发明实施例中，所述图像训练集是利用爬虫等手段，预先从网络中爬取并人工清理得到的图像数据。
本发明实施例中，灰度图像集中的灰度图像是图像训练集的中图像的灰度图像，图像训练集中每张训练图像存在一张对应的灰度图像。
进一步的，所述方法还包括：对图像训练集中每张训练图像进行灰度处理，得到每张训练图像对应的灰度图像。
具体的，对图像训练集中每张训练图像进行灰度处理，得到每张训练图像对应的灰度图像，包括对每张训练图像进行如下操作：
(1)获取训练图像中像素点的RGB值；
具体的，可以获取每张训练图像中所有像素点的RGB值，所述RGB值表示的是RGB色彩模式下原始图像中像素点的亮度，通常用整数0、1、2……直到255来表示。
(2)将所述RGB值转化为灰度化RGB值；
具体的，可利用下述公式将训练图像的RGB值转化为灰度化RGB值，该灰度化RGB值包括灰度化R值，灰度化G值以及灰度化B值；
灰度化R＝(转化前的R+转化前的G+转化前的B)/3
灰度化G＝(转化前的R+转化前的G+转化前的B)/3
灰度化B＝(转化前的R+转化前的G+转化前的B)/3
本发明实施例中，转化为灰度化RGB值的过程是令训练图像中每个像素点都满足R＝G＝B。
(3)根据所述灰度化RGB值将训练图像转化为灰度图像。
详细地，所述将训练图像转化为灰度图像的转化过程通过像素点的RGB值变更得到。
具体的，根据所述灰度化RGB值将训练图像转化为灰度图像，包括：将训练图像中所有像素点的RGB值都替换为所述灰度化RGB值，得到所述灰度图像。
步骤C：利用所述生成器生成与所述图像训练集对应的灰度判别图像集；
步骤D：利用所述鉴别器鉴别所述灰度判别图像集中灰度判别图像与所述灰度图像集中灰度图像的相似度；
步骤E：若相似度小于预设阈值，调整所述待训练生成对抗网络模型的内部参数；
步骤F：若相似度大于或等于所述预设阈值，确定得到训练完成的生成对抗网络模型。
本发明实施例中，在训练得到标准生成对抗网络后，将所述原始图像直接输入所述标准对抗网络可以快速得到准确的标准灰度图像，无需每次拍照进行图像校正时都进行灰度处理，提高了图像校正的速度和准确率。图像训练集S3、利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像。
本发明实施例中，所述降噪处理是指减少数字噪声的过程。
详细地，所述利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像包括：
利用高斯滤波器中二维高斯函数计算所述标准灰度图像中像素点在正态分布下分配的权值；
根据预设降噪模板的大小和所述像素点在正态分布下分配的权值进行加权平均操作，计算出所述标准灰度图像中像素点的降噪像素值，得到由所述降噪像素值组成的降噪图像。
具体地，所述二维高斯函数为：
Figure BDA0002909916080000071
其中，σ为正态分布的标准差，x,y为所述标准灰度图像中像素点的坐标，g(x,y)为像素点(x,y)正态分布下分配的权值。
可选的，预设降噪模板为9。
具体的，在本发明实施例中，利用高斯滤波器中二维高斯函数计算标准灰度图像中每个像素点在正态分布下分配的权值，再根据预设降噪模板的大小和每个像素点的所述权值分别进行加权平均操作，得到每个像素点的降噪像素值，进而得到由降噪像素点组成的降噪图像。
S4、对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标。
详细地，所述对所述降噪图像进行分块二值化处理，包括：
(1)计算所述降噪图像中所有像素点的灰度平均值；
所述计算所述降噪图像中所有像素点的灰度平均值，包括：
获取所述降噪图像中所有像素点；
计算所述降噪图像中所有像素点的灰度值，将所述灰度值除以所述降噪图像中所有像素点的总数，得到所述降噪图像中所有像素点的灰度平均值。
具体的，得到所述降噪图像中所有像素点的灰度平均值的函数为：
像素点灰度平均值avg＝(像素点1的灰度值+…+像素点n的灰度值)/n，其中，n为降噪图像中所有像素点的总个数。
(2)对所述降噪图像进行分块处理，得到多个降噪图像块；
(3)根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块；
详细地，所述根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块，包括：计算所述多个降噪图像块的平均像素值；当所述平均像素值大于等于所述灰度平均值，将降噪图像块转化为灰度值为255的二值化图像；当所述平均像素值小于所述灰度平均值，将降噪图像块转化为灰度值为0的二值化图像；对所述多个降噪块都进行二值化转换，得到多个二值化图像块。
(4)将所述多个二值化图像块进行合并，得到所述二值化图像。
本发明实施例中，所述对所述降噪图像进行分块二值化处理得到二值化图像不改变图像的大小，所述将所述多个二值化图像块进行合并和对所述降噪图像进行分块处理不改变所述多个二值化图像块在所述二值化图像的位置。
本发明实施例中，所述边缘检测算法包括：
Figure BDA0002909916080000081
其中，(x,y)为所述二值化图像中像素的坐标点，G(x,y)为坐标点(x,y)的梯度，Gx(x,y)为坐标点(x,y)在x轴上的梯度，Gy(x,y)为坐标点(x,y)在y轴上的梯度。
当梯度G大于预设阈值时，则确定此时梯度G对应的坐标点为边缘点。例如，由矩形原始图像得到的矩形二值化图像有四个角，则对于所述矩形二值化图像存在四个像素点坐标的梯度G大于其他像素点坐标，可得到所述矩形二值化图像的四个图像边缘坐标点。
S5、根据所述图像边缘坐标校正所述原始图像，得到校正图像。
详细地，所述根据所述图像边缘坐标校正所述原始图像，得到校正图像包括：
(1)根据所述原始图像创建原始变换矩阵；
(2)根据所述原始变换矩阵构建包含未知参数的原始变换方程；
(3)利用所述图像边缘坐标计算所述原始变换方程的未知参数，得到标准变换方程；
(4)根据所述标准变换方程得到标准变换矩阵；
(5)利用所述标准变换矩阵对所述原始图像进行校正，得到所述校正图像。
例如，创建2×3的原始变换矩阵如下：
Figure BDA0002909916080000091
令/>
Figure BDA0002909916080000092
时，得到/>
Figure BDA0002909916080000093
根据所述原始变换方程构建包含未知数的原始变换方程得到：
x1＝a00*x+a01*y+a02
y1＝a10*x+a11*y+a12
其中，未知数为a00、a01、a02、a10、a11、a12，则在本例中求解M中的6个未知数，则至少需要三组(x,y)，根据S4中4个图像边缘坐标点计算所述原始变换方程的未知数，得到标准变换方程，再利用所述标准变换方程对所述原始图像进行校正，得到校正图像。
本发明实施例中，获取移动终端拍摄的原始图像；将原始图像输入生成对抗网络模型，得到标准灰度图像，由于生成对抗网络模型由图像训练集和灰度图像集训练得到，因此能够快速得到更准确的灰度图像；进一步地，利用高斯滤波器对标准灰度图像进行降噪处理，对降到处理得到的降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；根据所述图像边缘坐标校正所述原始图像，从而能够实现准确地对图像进行校正的目的。
如图2所示，是本发明基于移动拍照的图像校正装置的模块示意图。
本发明所述基于移动拍照的图像校正装置100可以安装于电子设备中。根据实现的功能，所述基于移动拍照的图像校正装置可以包括图像获取模块101、标准灰度图像获取模块102、降噪处理模块103、边缘计算模块104和图像校正模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像获取模块101，用于获取移动终端拍摄的原始图像。
本发明实施例中，所述移动终端可以为手机、平板、智能手表、笔记本、车载电脑等电子设备。
所述原始图像为通过移动终端拍摄到的图像。例如，原始图像为带有公司或个人印章的图像(如带有印章的票据或带有印章的单据)，或者原始图像为带有个人签名的图像。
本发明一实施例中，移动终端的拍照模块接收到拍摄开始指令后，启动摄像头进行拍摄，并根据接收到的拍摄结束指令停止拍摄，具体的，当移动终端的一可触控按钮接收到触控操作时触发拍摄开始指令，当移动终端的另一可触控按钮接收到相同或不同的触控操作时触发拍摄结束指令。
所述标准灰度图像获取模块102，用于将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到。
本发明实施例中，所述生成对抗网络模型是通过无监督的学习方式得到的。
本发明实施例中得到的标准灰度图像是灰度图像，具体的，灰度图像是每个像素点只有一个采样颜色的图像。
本发明实施例中，通过将图像输入至生成对抗网络模型，能够快速得到更准确的灰度图像。
进一步的，本发明一可选实施例中，所述装置还包括模型获取模块，所述模型获取模块用于：
将所述原始图像输入生成对抗网络模型之前，组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型；
获取图像训练集和所述图像训练集的灰度图像集，将所述图像训练集输入至所述待训练生成对抗网络模型；
利用所述生成器生成与所述图像训练集对应的灰度判别图像集；
利用所述鉴别器鉴别所述灰度判别图像集中灰度判别图像与所述灰度图像集中灰度图像的相似度；
若相似度小于预设阈值，调整所述待训练生成对抗网络模型的内部参数；
若相似度大于或等于所述预设阈值，确定得到训练完成的生成对抗网络模型。
详细地，所述生成器包括卷积层，利用所述卷积层可以将所述图像训练集中的训练图像进行卷积，得到卷积图像；所述卷积图像中像素点的数量相比于所述训练图片中像素点的数量变少，利用卷积层对所述训练图像不断进行卷积得到最终卷积图像，将所述最终卷积图像中像素点的RGB值作为训练图像的灰度化RGB值，得到灰度判别图像；对所述图像训练集中所有图像全部进行上述操作得到灰度判别图像集。
具体地：所述组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型，包括：
使用如下组合公式，组合所述生成器和所述鉴别器：
Figure BDA0002909916080000111
D(G(Z))为所述鉴别器，D(x)为生成器，
Figure BDA0002909916080000112
为待训练生成对抗网络模型。
本发明实施例中，所述图像训练集是利用爬虫等手段，预先从网络中爬取并人工清理得到的图像数据。
本发明实施例中，灰度图像集中的灰度图像是图像训练集的中图像的灰度图像，图像训练集中每张训练图像存在一张对应的灰度图像。
进一步的，所述模型获取模块还用于：对图像训练集中每张训练图像进行灰度处理，得到每张训练图像对应的灰度图像。
具体的，对图像训练集中每张训练图像进行灰度处理，得到每张训练图像对应的灰度图像，包括对每张训练图像进行如下操作：
(1)获取训练图像中像素点的RGB值；
具体的，可以获取每张训练图像中所有像素点的RGB值，所述RGB值表示的是RGB色彩模式下原始图像中像素点的亮度，通常用整数0、1、2……直到255来表示。
(2)将所述RGB值转化为灰度化RGB值；
具体的，可利用下述公式将训练图像的RGB值转化为灰度化RGB值，该灰度化RGB值包括灰度化R值，灰度化G值以及灰度化B值；
灰度化R＝(转化前的R+转化前的G+转化前的B)/3
灰度化G＝(转化前的R+转化前的G+转化前的B)/3
灰度化B＝(转化前的R+转化前的G+转化前的B)/3
本发明实施例中，转化为灰度化RGB值的过程是令训练图像中每个像素点都满足R＝G＝B。
(3)根据所述灰度化RGB值将训练图像转化为灰度图像。
详细地，所述将训练图像转化为灰度图像的转化过程通过像素点的RGB值变更得到。
具体的，根据所述灰度化RGB值将训练图像转化为灰度图像，包括：将训练图像中所有像素点的RGB值都替换为所述灰度化RGB值，得到所述灰度图像。
本发明实施例中，在训练得到标准生成对抗网络后，将所述原始图像直接输入所述标准对抗网络可以快速得到准确的标准灰度图像，无需每次拍照进行图像校正时都进行灰度处理，提高了图像校正的速度和准确率。
所述降噪处理模块103，用于利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像。
本发明实施例中，所述降噪处理是指减少数字噪声的过程。
详细地，所述降噪处理模块103具体用于：
利用高斯滤波器中二维高斯函数计算所述标准灰度图像中像素点在正态分布下分配的权值；
根据预设降噪模板的大小和所述像素点在正态分布下分配的权值进行加权平均操作，计算出所述标准灰度图像中像素点的降噪像素值，得到由所述降噪像素值组成的降噪图像。
具体地，所述二维高斯函数为：
Figure BDA0002909916080000131
其中，σ为正态分布的标准差，x,y为所述标准灰度图像中像素点的坐标，g(x,y)为像素点(x,y)正态分布下分配的权值。
可选的，预设降噪模板为9。
具体的，在本发明实施例中，利用高斯滤波器中二维高斯函数计算标准灰度图像中每个像素点在正态分布下分配的权值，再根据预设降噪模板的大小和每个像素点的所述权值分别进行加权平均操作，得到每个像素点的降噪像素值，进而得到由降噪像素点组成的降噪图像。
所述边缘计算模块104，用于对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标。
详细地，所述对所述降噪图像进行分块二值化处理，包括：
(1)计算所述降噪图像中所有像素点的灰度平均值；
所述计算所述降噪图像中所有像素点的灰度平均值，包括：
获取所述降噪图像中所有像素点；
计算所述降噪图像中所有像素点的灰度值，将所述灰度值除以所述降噪图像中所有像素点的总数，得到所述降噪图像中所有像素点的灰度平均值。
具体的，得到所述降噪图像中所有像素点的灰度平均值的函数为：
像素点灰度平均值avg＝(像素点1的灰度值+…+像素点n的灰度值)/n，其中，n为降噪图像中所有像素点的总个数。
(2)对所述降噪图像进行分块处理，得到多个降噪图像块；
(3)根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块；
详细地，所述根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块，包括：计算所述多个降噪图像块的平均像素值；当所述平均像素值大于等于所述灰度平均值，将降噪图像块转化为灰度值为255的二值化图像；当所述平均像素值小于所述灰度平均值，将降噪图像块转化为灰度值为0的二值化图像；对所述多个降噪块都进行二值化转换，得到多个二值化图像块。
(4)将所述多个二值化图像块进行合并，得到所述二值化图像。
本发明实施例中，所述对所述降噪图像进行分块二值化处理得到二值化图像不改变图像的大小，所述将所述多个二值化图像块进行合并和对所述降噪图像进行分块处理不改变所述多个二值化图像块在所述二值化图像的位置。
本发明实施例中，所述边缘检测算法包括：
Figure BDA0002909916080000141
其中，(x,y)为所述二值化图像中像素的坐标点，G(x,y)为坐标点(x,y)的梯度，Gx(x,y)为坐标点(x,y)在x轴上的梯度，Gy(x,y)为坐标点(x,y)在y轴上的梯度。
当梯度G大于预设阈值时，则确定此时梯度G对应的坐标点为边缘点。例如，由矩形原始图像得到的矩形二值化图像有四个角，则对于所述矩形二值化图像存在四个像素点坐标的梯度G大于其他像素点坐标，可得到所述矩形二值化图像的四个图像边缘坐标点。
所述图像校正模块105，用于根据所述图像边缘坐标校正所述原始图像，得到校正图像。
详细地，所述图像校正模块105具体用于：
(1)根据所述原始图像创建原始变换矩阵；
(2)根据所述原始变换矩阵构建包含未知参数的原始变换方程；
(3)利用所述图像边缘坐标计算所述原始变换方程的未知参数，得到标准变换方程；
(4)根据所述标准变换方程得到标准变换矩阵；
(5)利用所述标准变换矩阵对所述原始图像进行校正，得到所述校正图像。
例如，创建2×3的原始变换矩阵如下：
Figure BDA0002909916080000142
令/>
Figure BDA0002909916080000143
时，得到/>
Figure BDA0002909916080000144
根据所述原始变换方程构建包含未知数的原始变换方程得到：
x1＝a00*x+a01*y+a02
y1＝a10*x+a11*y+a12
其中，未知数为a00、a01、a02、a10、a11、a12，则在本例中求解M中的6个未知数，则至少需要三组(x,y)，根据边缘计算模块104中4个图像边缘坐标点计算所述原始变换方程的未知数，得到标准变换方程，再利用所述标准变换方程对所述原始图像进行校正，得到校正图像。
本发明实施例中，获取移动终端拍摄的原始图像；将原始图像输入生成对抗网络模型，得到标准灰度图像，由于生成对抗网络模型由图像训练集和灰度图像集训练得到，因此能够快速得到更准确的灰度图像；进一步地，利用高斯滤波器对标准灰度图像进行降噪处理，对降到处理得到的降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；根据所述图像边缘坐标校正所述原始图像，从而能够实现准确地对图像进行校正的目的。
如图3所示，是本发明实现基于移动拍照的图像校正方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于移动拍照的图像校正程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于移动拍照的图像校正程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于移动拍照的图像校正程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于移动拍照的图像校正程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取移动终端拍摄的原始图像；
将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；
利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；
对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；
根据所述图像边缘坐标校正所述原始图像，得到校正图像。
本发明实施例中，获取移动终端拍摄的原始图像；将原始图像输入生成对抗网络模型，得到标准灰度图像，由于生成对抗网络模型由图像训练集和灰度图像训练得到，因此能够快速得到更准确的灰度图像；进一步地，利用高斯滤波器对标准灰度图像进行降噪处理，对降到处理得到的降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；根据所述图像边缘坐标校正所述原始图像，从而能够实现准确地对图像进行校正的目的。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，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案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
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表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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案而非限制，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案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于移动拍照的图像校正方法，其特征在于，所述方法包括：
获取移动终端拍摄的原始图像；
将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；
利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；
对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；
根据所述图像边缘坐标校正所述原始图像，得到校正图像；
其中，所述根据所述图像边缘坐标校正所述原始图像，得到校正图像，包括：根据所述原始图像创建原始变换矩阵；根据所述原始变换矩阵构建包含未知参数的原始变换方程；利用所述图像边缘坐标计算所述原始变换方程的未知参数，得到标准变换方程；根据所述标准变换方程得到标准变换矩阵；利用所述标准变换矩阵对所述原始图像进行校正，得到所述校正图像。
2.如权利要求1所述的基于移动拍照的图像校正方法，其特征在于，所述利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像，包括：
利用高斯滤波器中二维高斯函数计算所述标准灰度图像中像素点在正态分布下分配的权值；
根据预设降噪模板的大小和所述像素点在正态分布下分配的权值进行加权平均操作，计算出所述标准灰度图像中像素点的降噪像素值，得到由所述降噪像素值组成的降噪图像。
3.如权利要求1所述的基于移动拍照的图像校正方法，其特征在于，所述对所述降噪图像进行分块二值化处理得到二值化图像，包括：
计算所述降噪图像中所有像素点的灰度平均值；
对所述降噪图像进行分块处理，得到多个降噪图像块；
根据所述灰度平均值对所述多个降噪图像块进行二值化转换，得到多个二值化图像块；
将所述多个二值化图像块进行合并，得到所述二值化图像。
4.如权利要求3所述的基于移动拍照的图像校正方法，其特征在于，所述将所述原始图像输入生成对抗网络模型之前，所述方法还包括：
组合预构建的生成器和鉴别器，得到待训练生成对抗网络模型；
获取图像训练集和所述图像训练集的灰度图像集，将所述图像训练集输入至所述待训练生成对抗网络模型；
利用所述生成器生成与所述图像训练集对应的灰度判别图像集；
利用所述鉴别器鉴别所述灰度判别图像集中灰度判别图像与所述灰度图像集中灰度图像的相似度；
若相似度小于预设阈值，调整所述待训练生成对抗网络模型的内部参数；
若相似度大于或等于所述预设阈值，确定得到训练完成的生成对抗网络模型。
5.如权利要求1至4中任一项所述的基于移动拍照的图像校正方法，其特征在于，所述边缘检测算法包括：
Figure FDA0004192443250000021
其中，(x,y)为所述二值化图像中像素的坐标点，G(x,y)为坐标点(x,y)的梯度，Gx(x,y)为坐标点(x,y)在x轴上的梯度，Gy(x,y)为坐标点(x,y)在y轴上的梯度。
6.如权利要求3所述的基于移动拍照的图像校正方法，其特征在于，所述计算所述降噪图像中所有像素点的灰度平均值，包括：
获取所述降噪图像中所有像素点；
计算所述降噪图像中所有像素点的灰度值，将所述灰度值除以所述降噪图像中所有像素点的总数，得到所述降噪图像中所有像素点的灰度平均值。
7.一种基于移动拍照的图像校正装置，其特征在于，所述装置包括：
图像获取模块，用于获取移动终端拍摄的原始图像；
标准灰度图像获取模块，用于将所述原始图像输入生成对抗网络模型，得到标准灰度图像，所述生成对抗网络模型由图像训练集和灰度图像集训练得到；
降噪处理模块，用于利用高斯滤波器对所述标准灰度图像进行降噪处理，得到降噪图像；
边缘计算模块，用于对所述降噪图像进行分块二值化处理得到二值化图像，并利用边缘检测算法扫描所述二值化图像，得到图像边缘坐标；
图像校正模块，用于根据所述图像边缘坐标校正所述原始图像，得到校正图像；
其中，所述根据所述图像边缘坐标校正所述原始图像，得到校正图像，包括：根据所述原始图像创建原始变换矩阵；根据所述原始变换矩阵构建包含未知参数的原始变换方程；利用所述图像边缘坐标计算所述原始变换方程的未知参数，得到标准变换方程；根据所述标准变换方程得到标准变换矩阵；利用所述标准变换矩阵对所述原始图像进行校正，得到所述校正图像。
8.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序指令，所述计算机程序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如权利要求1至6中任一项所述的基于移动拍照的图像校正方法。
9.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于移动拍照的图像校正方法。
CN202110083322.7A 2021-01-21 2021-01-21 基于移动拍照的图像校正方法、装置、电子设备及介质 Active CN112862703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110083322.7A CN112862703B (zh) 2021-01-21 2021-01-21 基于移动拍照的图像校正方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110083322.7A CN112862703B (zh) 2021-01-21 2021-01-21 基于移动拍照的图像校正方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112862703A CN112862703A (zh) 2021-05-28
CN112862703B true CN112862703B (zh) 2023-06-02

Family

ID=76008901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110083322.7A Active CN112862703B (zh) 2021-01-21 2021-01-21 基于移动拍照的图像校正方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN112862703B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115632780B (zh) * 2022-12-23 2023-03-17 无锡弘鼎软件科技有限公司 用于物联网印章的使用管理系统及方法
CN116309193B (zh) * 2023-05-23 2023-08-25 武汉大学人民医院（湖北省人民医院） 一种免疫样本的图像处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106488133A (zh) * 2016-11-17 2017-03-08 维沃移动通信有限公司 一种运动对象的检测方法及移动终端
CN108805023A (zh) * 2018-04-28 2018-11-13 平安科技（深圳）有限公司 一种图像检测方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014023641A1 (en) * 2012-08-09 2014-02-13 Sony Corporation Refinement of a disparity or motion map based on user interaction
RU2641225C2 (ru) * 2014-01-21 2018-01-16 Общество с ограниченной ответственностью "Аби Девелопмент" Способ выявления необходимости обучения эталона при верификации распознанного текста

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106488133A (zh) * 2016-11-17 2017-03-08 维沃移动通信有限公司 一种运动对象的检测方法及移动终端
CN108805023A (zh) * 2018-04-28 2018-11-13 平安科技（深圳）有限公司 一种图像检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112862703A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112528863A (zh) 表格结构的识别方法、装置、电子设备及存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN112507934B (zh) 活体检测方法、装置、电子设备及存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN112036292A (zh) 基于神经网络的文字识别方法、装置及可读存储介质
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN112668575B (zh) 关键信息提取方法、装置、电子设备及存储介质
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN113792672B (zh) 公共场所健康码获取方法、装置、设备及介质
CN112528984A (zh) 图像信息抽取方法、装置、电子设备及存储介质
CN112329666A (zh) 人脸识别方法、装置、电子设备及存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN114998282B (zh) 图像检测方法、装置、电子设备及存储介质
CN113627394B (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN113989548B (zh) 证件分类模型训练方法、装置、电子设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN115798004A (zh) 基于局部区域的人脸打卡方法、装置、电子设备及介质
CN114913518A (zh) 基于图像处理的车牌识别方法、装置、设备及介质
CN113705459A (zh) 人脸抓拍方法、装置、电子设备及存储介质
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质

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