CN113240679A - 图像处理方法、装置、计算机设备及存储介质 - Google Patents
图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113240679A CN113240679A CN202110535534.4A CN202110535534A CN113240679A CN 113240679 A CN113240679 A CN 113240679A CN 202110535534 A CN202110535534 A CN 202110535534A CN 113240679 A CN113240679 A CN 113240679A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- preset
- processing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种图像处理方法、装置、计算机设备及存储介质,包括:采集待处理的目标图像;将所述目标图像输入至预设的分割模型中;读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。特征掩膜图像的边缘色差值更加明显,更容易的分辨出目标选区的图像和背景像素之间的区别,采用分割提取得到特征掩膜图像对目标图像进行掩膜过滤后,得到的目标前景图像更完整,能够使最终的提取图像更加完整清晰。
Description
技术领域
本发明实施例涉及图像处理领域,尤其是一种图像处理方法、装置、计算机设备及存储介质。
背景技术
图像处理(image processing),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。
本发明创造的发明人在研究中发现,在投放电商广告的时候,商品背景不可以复杂,所以用到抠图,只保留商品,去掉背景改为纯色背景。采用模板制图的时候,会需要用到抠图后的图片,带背景的图片会降低图片的效果,从而影响店铺装修和广告的投放效果。使用抠图后的主体图,可以方便套用模板的方式,快速制作素材,降低素材制作门槛,提高工作效率。现有技术中抠图一般使用人工抠图,人工抠图有一定的门槛,需要掌握专业的技术,而且抠图效率比较低。随着技术的发展,现在出现了许多利用深度学习进行语义分割和实体分割的方法,但这些方法应用到商品抠图上面存在抠图不清晰、不完整的问题。
发明内容
本发明实施例提供一种能够提高抠图效率,增加抠图完整性的图像处理方法、装置、计算机设备及存储介质。
为解决上述技术问题,本发明创造的实施例采用的一个技术方案是:提供一种图像处理方法,包括:
采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;
将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;
读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;
根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
可选地,所述将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像包括:
根据所述特征掩膜图像生成所述目标图像的掩膜矩阵;
将所述掩膜矩阵与所述目标图像的图像矩阵进行相乘运算,生成前景矩阵;
将所述前景矩阵进行像素化处理生成所述目标前景图像。
可选地,所述图像增强策略包括:对所述目标前景图像进行去除噪声处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
对目标前景图像的背景区域填充预设的背景像素,生成第一前景图像;
根据预设的第一像素阈值对所述第一前景图像进行二值化处理,生成所述第一前景图像的二值图像;
对所述二值图像进行连通域处理,使所述二值图像中相同像素值的像素点进行区域连通,生成多个区域块;
对所述多个区域块进行面积筛选生成所述提取图像。
可选地,所述对所述多个区域块进行面积筛选生成所述提取图像包括:
提取所述多个区域块中面积最大的区域块作为参考区域块;
将所述多个区域块中的区域块面积分别与所述参考区域块进行比例运算,生成各个区域块与所述参考区域块的面积比值;
将所述面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选,并将筛选出的区域块填充为背景像素生成所述提取图像。
可选地,所述图像增强策略包括:对所述目标前景图像清晰度增强处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
依次读取所述特征掩膜图像中像素点;
以读取的像素点为圆心根据预设的半径值生成图像选区;
读取所述图像选区中的像素值,并确定所述图像选区中的像素值是否至少一个等于预设的第二像素阈值;
当所述图像选区中的像素值至少一个等于预设的第二像素阈值,该像素点为边界附近像素,该像素值不变,否则将所述读取的像素点的像素值填充为预设的填充像素值;
根据所述读取的像素点勾勒出所述目标前景图像中所述目标选区的轮廓,生成所述提取图像。
可选地,所述图像增强策略包括:对所述目标前景图像进行细带恢复处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
将所述目标图像输入至预设的细带检测模型中,其中,所述细带检测模型为预先训练至收敛状态,用于对图像进行检测的神经网络模型;
将所述细带检测模型输出的检测图像输入至预设的细带图像分割模型中,其中,所述细带图像分割模型为预先训练至收敛状态,用于对图像进行细化分割的神经网络模型;
读取所述细带图像分割模型输出的细带图像,并将所述细带图像与所述目标前景图像进行图像融合处理,生成所述提取图像。
可选地,所述细带图像分割模型包括:u2net模型和sobel算子,所述u2net模型包括4层U-block模块,所述各U-block模块包括下采样通道和上采样通道,所述下采样通道包括两个3*3卷积层和多个2*2卷积层,所述多个2*2卷积层中各卷积层的输入包括与之相邻的上两个卷积层的输出,所述细带图像为所述u2net模型和sobel算子分割图像的融合图像。
为解决上述技术问题,本发明实施例还提供一种图像处理装置,包括:
采集模块,用于采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;
分割模块,用于将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;
处理模块,用于读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;
增强模块,用于根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
可选地,所述图像处理装置还包括:
第一掩膜子模块,用于根据所述特征掩膜图像生成所述目标图像的掩膜矩阵;
第一运算子模块,用于将所述掩膜矩阵与所述目标图像的图像矩阵进行相乘运算,生成前景矩阵;
第一处理子模块,用于将所述前景矩阵进行像素化处理生成所述目标前景图像。
可选地,所述图像增强策略包括:对所述目标前景图像进行去除噪声处理,所述图像处理装置还包括:
第一填充子模块,用于对目标前景图像的背景区域填充预设的背景像素,生成第一前景图像;
第二处理子模块,用于根据预设的第一像素阈值对所述第一前景图像进行二值化处理,生成所述第一前景图像的二值图像;
第一连通子模块,用于对所述二值图像进行连通域处理,使所述二值图像中相同像素值的像素点进行区域连通,生成多个区域块;
第一生成子模块,用于对所述多个区域块进行面积筛选生成所述提取图像。
可选地,所述图像处理装置还包括:
第一提取子模块,用于提取所述多个区域块中面积最大的区域块作为参考区域块;
第二运算子模块,用于将所述多个区域块中的区域块面积分别与所述参考区域块进行比例运算,生成各个区域块与所述参考区域块的面积比值;
第一筛选子模块,用于将所述面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选,并将筛选出的区域块填充为背景像素生成所述提取图像。
可选地,所述图像增强策略包括:对所述目标前景图像清晰度增强处理,所述图像处理装置还包括:
第一读取子模块,用于依次读取所述特征掩膜图像中像素点;
第二生成子模块,用于以读取的像素点为圆心根据预设的半径值生成图像选区;
第一确认子模块,用于读取所述图像选区中的像素值,并确定所述图像选区中的像素值是否至少一个等于预设的第二像素阈值;
第二填充子模块,用于当所述图像选区中的像素值至少一个等于预设的第二像素阈值,该像素点为边界附近像素,该像素值不变,否则将所述读取的像素点的像素值填充为预设的填充像素值;
第三生成子模块,用于根据所述读取的像素点勾勒出所述目标前景图像中所述目标选区的轮廓,生成所述提取图像。
可选地,所述图像增强策略包括:对所述目标前景图像进行细带恢复处理,所述图像处理装置还包括:
第三处理子模块,用于将所述目标图像输入至预设的细带检测模型中,其中,所述细带检测模型为预先训练至收敛状态,用于对图像进行检测的神经网络模型;
第四处理子模块,用于将所述细带检测模型输出的检测图像输入至预设的细带图像分割模型中,其中,所述细带图像分割模型为预先训练至收敛状态,用于对图像进行细化分割的神经网络模型;
第四生成子模块,用于读取所述细带图像分割模型输出的细带图像,并将所述细带图像与所述目标前景图像进行图像融合处理,生成所述提取图像。
可选地,所述细带图像分割模型包括:u2net模型和sobel算子,所述u2net模型包括4层U-block模块,所述各U-block模块包括下采样通道和上采样通道,所述下采样通道包括两个3*3卷积层和多个2*2卷积层,所述多个2*2卷积层中各卷积层的输入包括与之相邻的上两个卷积层的输出,所述细带图像为所述u2net模型和sobel算子分割图像的融合图像。
为解决上述技术问题本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述所述图像处理方法的步骤。
为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述所述图像处理方法的步骤。
本发明实施例的有益效果是:通过对目标图像进行图像分割处理生成目标图像中目标物图像的特征掩膜图像,用特征掩膜图像作为目标图像的掩膜,对目标图像进行图像过滤和筛选,提取得到用于表征目标物图像的目标前景图像,并对目标前景图像进行图像增强,生成目标选区的提取图像。由于特征掩膜图像的边缘色差值更加明显,更容易的分辨出目标选区的图像和背景像素之间的区别,采用分割提取得到特征掩膜图像对目标图像进行掩膜过滤后,得到的目标前景图像更完整,能够使最终的提取图像更加完整清晰。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一个具体实施例的图像处理方法的基本流程示意图;
图2为本申请一个具体实施例的目标前景图像提取流程示意图;
图3为本申请一个具体实施例的对目标前景图像进行去除噪声处理的流程示意图;
图4为本申请一个具体实施例的筛选区域块的流程示意图;
图5为本申请一个具体实施例的对目标前景图像清晰度增强处理的流程示意图;
图6为本申请一个具体实施例的对目标前景图像进行细带恢复处理的流程示意图;
图7为本申请一个具体实施例的残差U型单元RSU流程图;
图8为本申请一个实施例的图像处理装置基本结构示意图;
图9为本申请一个实施例的计算机设备的基本结构框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“终端”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
请参阅图1,图1为本实施例图像处理方法的基本流程示意图。
如图1所示,一种图像处理方法,包括:
S1100、采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;
本实施方式中,目标图像是指衣物图像,但是,目标图像的图像内容不局限于此,根据具体应用场景的不同,在一些实施方式中,目标图像的图像内容还能够为(不限于):人物图像、人脸图像、物品图像或者动物图像。
目标图像的采集方式能够为:存储在本地存储空间内的图片、从服务器端获取的图片或者由摄像头实时采集的图片。
S1200、将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;
将采集的目标图像输入至分割模型中,分割模型为预先训练至收敛状态,用于对图像进行分割处理的神经网络模型。分割模型被训练用于将目标图像转化为特征掩膜图像,并且提取特征掩膜图像中的目标图像区域。目标图像区域就是指目标图像中的衣物或者场景设定的其他需要提取的目标物的特征所占据的区域。分割图像输出的内容就是目标图像中衣物或者其他目标物的特征掩膜图像。
本实施方式中的分割模型包括(不限于):卷积神经网络模型、深度卷积神经网络模型、循环神经网络模型或者上述三种模型的变种模型。例如,在一些实施方式中,分割模型采用U2net模型。
对分割模型进行训练时,训练集的图像选用二值特征掩膜图像,输出的图像内容为灰度特征掩膜图像。通过监督训练或者半监督训练的方式对分割图像进行训练,能够使训练至收敛状态的分割图像能够捕捉到更加细微的色值差别,使分割图像更加的敏锐。
S1300、读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;
分割模型输出从目标模型中提取得到的目标区域的特征掩膜图像,提取的特征掩膜图像为灰度图像。特征掩膜图像是由一个个像素点组成的,每个像素点有像素值,提取特征掩膜图像中每个像素点的像素值,生成特征掩膜图像的像素矩阵,由于特征掩膜图像是经过分割提取得到的,因此,背景像素的位置像素点被设置成0,因此,得到的像素矩阵就是目标图像的掩膜矩阵。
提取得到目标图像的掩膜矩阵后,提取目标图像的图像矩阵,同样的,目标图像也是由像素点组成的,每个像素点均对应设置有像素值,读取目标图像中各像素点的像素值生成目标图像的图像矩阵。然后,将掩膜矩阵与图像矩阵进行相乘运算。相乘运算中,由于,掩膜矩阵在背景图像的位置像素点均为0,因此,相乘运算能够将图像矩阵中对应位置处的像素点归零,从而筛选出目标图像中与特征掩膜图像相同的目标选区,完成了对目标图像中的衣物或者其他目标物图像区域的提取。
掩膜矩阵与图像矩阵进行相乘运算生成的矩阵为前景矩阵,生成前景矩阵后,根据前景矩阵中每个像素值与颜色之间的对应关系,对前景矩阵进行像素化,像素化处理生成的图像就是目标前景图像,也就是衣物或者其他目标物图像的提取图像。
本实施方式中的特征掩膜图像为灰度特征掩膜图像,但是特征掩膜图像的色值范围不局限于此,在一些实施方式中,特征掩膜图像为二值特征掩膜图像。
本实施方式中的目标前景图像,就是从目标图像中提取得到目标选区的提取图像。
S1400、根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
生成目标前景图像后,根据预设的图像增强策略对目标前景图像进行图像增强处理,图像增强处理生成后的图像为衣物或者其他目标物图像的提取图像。
本实施方式中的图像增强策略能够是(不限于):目标前景图像进行去除噪声处理、目标前景图像清晰度增强处理或目标前景图像进行细带恢复处理当中的任意一种,也能够是目标前景图像进行去除噪声处理、目标前景图像清晰度增强处理和目标前景图像进行细带恢复处理依次进行的处理策略。
本实施方式中,通过对目标图像进行图像分割处理生成目标图像中目标物图像的特征掩膜图像,用特征掩膜图像作为目标图像的掩膜,对目标图像进行图像过滤和筛选,提取得到用于表征目标物图像的目标前景图像,并对目标前景图像进行图像增强,生成目标选区的提取图像。由于特征掩膜图像的边缘色差值更加明显,更容易的分辨出目标选区的图像和背景像素之间的区别,采用分割提取得到特征掩膜图像对目标图像进行掩膜过滤后,得到的目标前景图像更完整,能够使最终的提取图像更加完整清晰。
在一些实施方式中,需要通过特征掩膜图像作为掩膜,对目标图像进行掩膜处理,提取目标图像中的目标前景图像。请参阅图2,图2为本实施例目标前景图像提取流程示意图。
如图2所示,S1300包括:
S1311、根据所述特征掩膜图像生成所述目标图像的掩膜矩阵;
分割模型输出从目标模型中提取得到的目标区域的特征掩膜图像,提取的特征掩膜图像为灰度图像。特征掩膜图像是由一个个像素点组成的,每个像素点有像素值,提取特征掩膜图像中每个像素点的像素值,生成特征掩膜图像的像素矩阵,由于特征掩膜图像是经过分割提取得到的,因此,背景像素的位置像素点被设置成0,因此,得到的像素矩阵就是目标图像的掩膜矩阵。
S1312、将所述掩膜矩阵与所述目标图像的图像矩阵进行相乘运算,生成前景矩阵;
提取得到目标图像的掩膜矩阵后,提取目标图像的图像矩阵,同样的,目标图像也是由像素点组成的,每个像素点均对应设置有像素值,读取目标图像中各像素点的像素值生成目标图像的图像矩阵。然后,将掩膜矩阵与图像矩阵进行相乘运算。相乘运算中,由于掩膜矩阵在背景图像的位置像素点均为0,因此,相乘运算能够将图像矩阵中对应位置处的像素点归零,从而筛选出目标图像中与特征掩膜图像相同的目标选区,完成了对目标图像中的衣物或者其他目标物图像区域的提取。
S1313、将所述前景矩阵进行像素化处理生成所述目标前景图像。
掩膜矩阵与图像矩阵进行相乘运算生成的矩阵为前景矩阵,生成前景矩阵后,根据前景矩阵中每个像素值与颜色之间的对应关系,对前景矩阵进行像素化,像素化处理生成的图像就是目标前景图像,也就是衣物或者其他目标物图像的提取图像。
在一些实施方式中,图像增强策略能够是:目标前景图像进行去除噪声处理。请参阅图3,图3为本实施例对目标前景图像进行去除噪声处理的流程示意图。
如图3所示,S1400包括:
S1411、对目标前景图像的背景区域填充预设的背景像素,生成第一前景图像;
目标前景图像与目标图像的画面尺寸相同,因此,在目标前景图像中除了目标选区的图像之外,还有背景区域。
在对目标前景图像进行去噪声处理之时,需要对背景区域进行像素填充。填充的像素为纯色像素,例如,在一些实施方式中,填充的背景像素为白色,纯白色的背景填充的方式为:纯白背景值=前景像素值+255*(1-特征掩膜图像像素值),通过上述公式将目标前景图像的背景区域填充为纯白色。
需要指出的是,背景区域的填充颜色不局限于此,根据具体实施方式的不同,在一些实施方式中,背景像素能够为(不限于)黑色、灰色、绿色或者场景需要的其他颜色。
背景区域经过背景像素填充后的目标前景图像为第一前景图像。
S1412、根据预设的第一像素阈值对所述第一前景图像进行二值化处理,生成所述第一前景图像的二值图像;
生成第一前景图像后,需要对第一前景图像进行二值化处理,二值化处理的方式为:将第一前景图像中的像素点的像素值通过第一像素阈值的分类,分成白色和黑色两个颜色。例如,将第一前景图像中像素值大于或者等于第一像素阈值的像素点的像素值修改为255,而将第一前景图像中像素值小于第一像素阈值的像素点的像素值修改0,以此完成对第一前景图像的二值化操作。
在一些实施方式中,将第一像素阈值设定为250,即将第一前景图像中像素值大于或者等于250的像素点的像素值修改为255,而将第一前景图像中像素值小于250的像素点的像素值修改0。这样设置的好处是二值化后尽量保留目标前景图像中的元素,同时将接近白色的前景元素屏蔽掉,避免被当作噪声去除,减少信息损失。
但是,第一像素阈值的取值不局限于此,根据具体运用场景的不同,用户能够根据实际需要对其进行设定,能够将其设置成为0-255像素值之间的任意数值。进行二值化处理后,生成第一前景图像的二值图像。
S1413、对所述二值图像进行连通域处理,使所述二值图像中相同像素值的像素点进行区域连通,生成多个区域块;
二值图像生成后,为使二值图像中的图像区间具有连贯性,对二值图像进行连通域处理,连通域处理的方式为:将相邻两个相同像素进行联通,使图像中具有相同颜色的像素点形成区域块,在每个区域块的周围,像素点的颜色与区域块内的颜色不相同。由于,在二值图像中,相同像素点有时不是连贯的,因此,在二值图像中生成多个区域块。
区域块的数量能够为(不限于):2个、3个、4个、5个或者更多个。
S1414、对所述多个区域块进行面积筛选生成所述提取图像。
生成多个区域块后,对每个区域块的像素面积进行统计,然后,根据统计得到的面积,对多个区域块进行筛选。筛选的方式能够是(不限于):将区域面积最小的Topn进行删除,其中n为自定义整数,Topn指排序靠前的最小的n个;将面积小于设定面积阈值的区域块进行删除;将区域块与最大区域块面积比值小于设定比例阈值的区域块进行删除;将区域块中面积最小切轮廓平滑度不够的区域块进行删除等。
将多个区域块中,不符合筛选规则的区域块进行删除后,将目标前景图像中对应的像素块进行背景像素的填充,填充生成的图像为提取图像。通过对目标前景图像中面积过小的噪点进行删除,能够使提取得到的提取图像更加的清晰完整。
在一些实施方式中,对区域块的筛选需要通过面积比值或者面积阈值进行筛选。请参阅图4,图4为本实施例筛选区域块的流程示意图。
如图4所示,S1414包括:
S1421、提取所述多个区域块中面积最大的区域块作为参考区域块;
通过连通域处理生成多个区域块后,根据每个区域块中包括的像素点的个数,对每个区域块的面积进行统计,统计得到每个区域块的面积后,将每个区域块的面积进行降序或者升序排列,得到其中面积最大的区域块,并将该区域块确定为参考区域快。
S1422、将所述多个区域块中的区域块面积分别与所述参考区域块进行比例运算,生成各个区域块与所述参考区域块的面积比值;
统计得到各个区域块的面积以及最大区域块的面积之后,计算每个区域块与参考区域块的面积比值,即每个区域块与参考区域块之间的比例运算,面积比值的取值范围为0-1之间。将每个区域块与参考区域块的面积比值与其对应的区域块进行关联,生成每个区域块的面积比值。
S1423、将所述面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选,并将筛选出的区域块填充为背景像素生成所述提取图像。
将面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选。其中,比例阈值的取值为1/30,面积阈值的取值为100。则筛选条件为:将比例阈值小于1/30或者面积小于100的区域块筛选出,并且将上述筛选得到的区域块,对应在目标前景图像中的像素块进行背景像素填充,生成提取图像。
但是,本实施方式中的比例阈值的取值不局限于此,根据具体应用场景的不同,比例阈值能够为(不限于):1/5,1/10,1/20,1/27或者其他用户设定的自定义数值。本实施方式中的面积阈值的取值也不局限于此,根据具体应用场景的不同,面积阈值的取值能够为(不限于):10,50,70,90,130,200或者其他用户设定的自定义数值。
在一些实施方式中,图像增强策略为对目标前景图像清晰度增强处理。请参阅图5,图5为本实施例对目标前景图像清晰度增强处理的流程示意图。
如图5所示,S1400包括:
S1431、依次读取所述特征掩膜图像中像素点;
对特征掩膜图像中的每一个像素点进行读取,每个像素点都将作为S1432-S1435读取像素点。因此,每读取一个像素点都要进行S1432-S1435的过程,然后,再读取一个像素点,如此往复,直至特征掩膜图像中的每一个像素点都被读取过后,结束执行读取操作。
S1432、以读取的像素点为圆心根据预设的半径值生成图像选区;
以读取的像素点为圆心根据设定的半径值进行画圆,画圆生成的图像为图像选区。本实施方式中,设定的半径值为3,但是,半径值的设定不局限于此,根据具体应用场景的不同,为适应场景的需要,能够设定为任意值。
S1433、读取所述图像选区中的像素值,并确定所述图像选区中的像素值是否至少一个等于预设的第二像素阈值;
读取图像选区中每个像素点的像素值,并确定在图像选区中的每个像素点中是否包含像素点像素值为第二像素阈值的情况,其中第二像素阈值为0,0像素值在图像中表示为无图像,当图像选区中出现1个或者1个以上的0像素值就说明读取的像素点为目标前景图像的边界点。
S1434、当所述图像选区中的像素值至少一个等于预设的第二像素阈值,则保持所述读取的像素点的像素值不变;
当图像选区中的像素值至少一个等于预设的第二像素阈值,表明读取的像素点为目标前景图像的边界点,此时,保持读取像素点的像素值不变。当图像选区中的像素值均不为0时,则表示读取的像素点不是目标前景图像的边界点,此时,将该读取的像素点的像素值填充为填充像素值。本实施方式中填充像素值为1,但是,填充像素值的取值不局限于此,根据具体场景的不同,填充像素值的取值能够为0-255之间的任意值。
S1435、根据所述读取的像素点勾勒出所述目标前景图像中所述目标选区的轮廓,生成所述提取图像。
根据筛选得到的轮廓像素点,能够根据特征掩膜图像和目标前景图像像素点之间的对应关系勾勒出目标前景图像中表征目标选区轮廓的轮廓图。使提取图像的边界更加的清晰。
在一些实施方式中,图像增强策略包括:对所述目标前景图像进行细带恢复处理。请参阅图6,图6为本实施例对目标前景图像进行细带恢复处理的流程示意图。
如图6所示,S1400包括:
S1441、将所述目标图像输入至预设的细带检测模型中,其中,所述细带检测模型为预先训练至收敛状态,用于对图像进行检测的神经网络模型;
本实施例中,细带是指目标图像中的目标物图像为衣物时,衣物肩带或者其他细线类的图像线条。
细带检测模型将目标图像中包含细带的最小矩形框区域检测出来,细带检测模块采用Mask R-CNN模型,但是,细带检测模型的的基础模型不局限于此,在一些实施方式中,细带检测模型能够(不限于):卷积神经网络模型、深度卷积神经网络模型、循环神经网络模型或者上述三种模型的变种模型。
通过监督训练或者半监督训练的方式,将初始模型训练至收敛状态,训练之收敛状态的模型即细带检测模型。
将目标图像输入至预设的细带检测模型中,生成目标图像的检测图像。
S1442、将所述细带检测模型输出的检测图像输入至预设的细带图像分割模型中,其中,所述细带图像分割模型为预先训练至收敛状态,用于对图像进行细化分割的神经网络模型;
将细带检测模型输出的检测图像输入至细带图像分割模型中,细带图像分割模型包括:u2net模型和sobel算子,所述u2net模型包括4层U-block模块,所述各U-block模块包括下采样通道和上采样通道,所述下采样通道包括两个3*3卷积层和多个2*2卷积层,所述多个2*2卷积层中各卷积层的输入包括与之相邻的上两个卷积层的输出,所述细带图像为所述u2net模型和sobel算子分割图像的融合图像。细带图像分割模型,采用了改进的u2net模型架构。因为深层的特征图对提取细带几乎没有任何帮助,所以将原u2net模型的最深两层U-block(RSU)去掉,只保留前4层U-block(RSU)模型。其中每一个U-block模型降采样和升采样的次数也减少了一次。这样让网络变的更加轻量,在没有降低分割效果的同时提高了运行效率。
请参阅图7,图7为本实施例残差U型单元RSU流程图。如图7所示,根据细带的特点,分割区域一般比较细长,对u2net的residual U-block(残差单元)即RSU模块进行了改进。将深层部分特征图(输入网络图像降采样2次后的所有特征图)的卷积核大小由3*3改为2*2,同时输入特征图个数扩大一倍,扩大的那一倍来自上一层的输入降采样或线性变换得到,这样有利于让模型提取特征时更加关注细带部分,少关注些背景部分,提高模型提取特征的能力。其中双线下箭头表示降采样,双线上箭头表示上采样。
S1443、读取所述细带图像分割模型输出的细带图像,并将所述细带图像与所述目标前景图像进行图像融合处理,生成所述提取图像。
本文采用sobel算子对检测出的细带区域进行分割,将分割结果与细带图像分割模型输出结果进行融合作为细带分割模块最终输出结果。融合公式为:MSK=Wu*UMSK*SMSK+UMSK;上述公式中的数据为归一化到0到1之间,其中MSK为细带分割模块最终输出结果,UMSK为细带图像分割模型输出结果,SMSK为sobel算子输出结果,Wu为sobel算子输出结果权值,该权值可以为静态值,也可以与细带图像分割模型联合训练得到。本文Wu为1-UMSK,这样设置的原因是一般来说细带图像分割模型的准确率比较高,sobel算子分割结果只是作为细带图像分割模型的补充,增加细带图像分割模型的召回率,即修复丢失或模糊的细带,同时不希望增加召回的同时带来杂质。这样设置可以很好的屏蔽传统分割中结果中的杂质,只是对细带图像分割模型较弱的部分进行增强。
需要指出的是本实施例,目标前景图像进行去除噪声处理、目标前景图像清晰度增强处理和目标前景图像进行细带恢复处理能够依次进行,即先进性S1311-S1313的流程,在此基础上再进行S1411-S1414的流程,最后,再进行S1441-S1443的流程,生成提取图像。
具体请参阅图8,图8为本实施例图像处理装置基本结构示意图。
如图8所示,一种图像处理装置,包括:采集模块1100、分割模块1200、处理模块1300和增强模块1400。其中,采集模块1100用于采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;分割模块1200用于将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;处理模块1300用于读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;增强模块1400用于根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
图像处理装置通过对目标图像进行图像分割处理生成目标图像中目标物图像的特征掩膜图像,用特征掩膜图像作为目标图像的掩膜,对目标图像进行图像过滤和筛选,提取得到用于表征目标物图像的目标前景图像,并对目标前景图像进行图像增强,生成目标选区的提取图像。由于,特征掩膜图像的边缘色差值更加明显,更容易的分辨出目标选区的图像和背景像素之间的区别,采用分割提取得到特征掩膜图像对目标图像进行掩膜过滤后,得到的目标前景图像更完整,能够使最终的提取图像更加完整清晰。
在一些实施方式中,图像处理装置还包括:第一掩膜子模块、第一运算子模块和第一处理子模块。其中,第一掩膜子模块用于根据所述特征掩膜图像生成所述目标图像的掩膜矩阵;第一运算子模块用于将所述掩膜矩阵与所述目标图像的图像矩阵进行相乘运算,生成前景矩阵;第一处理子模块用于将所述前景矩阵进行像素化处理生成所述目标前景图像。
在一些实施方式中,所述图像增强策略包括:对所述目标前景图像进行去除噪声处理,图像处理装置还包括:第一填充子模块、第二处理子模块、第一连通子模块和第一生成子模块。其中,第一填充子模块用于对目标前景图像的背景区域填充预设的背景像素,生成第一前景图像;第二处理子模块用于根据预设的第一像素阈值对所述第一前景图像进行二值化处理,生成所述第一前景图像的二值图像;第一连通子模块用于对所述二值图像进行连通域处理,使所述二值图像中相同像素值的像素点进行区域连通,生成多个区域块;第一生成子模块用于对所述多个区域块进行面积筛选生成所述提取图像。
在一些实施方式中,图像处理装置还包括:第一提取子模块、第二运算子模块和第一筛选子模块。其中,第一提取子模块用于提取所述多个区域块中面积最大的区域块作为参考区域块;第二运算子模块用于将所述多个区域块中的区域块面积分别与所述参考区域块进行比例运算,生成各个区域块与所述参考区域块的面积比值;第一筛选子模块用于将所述面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选,并将筛选出的区域块填充为背景像素生成所述提取图像。
在一些实施方式中,所述图像增强策略包括:对所述目标前景图像清晰度增强处理,图像处理装置还包括:第一读取子模块、第二生成子模块、第一确认子模块、第二填充子模块和第三生成子模块。其中,第一读取子模块用于依次读取所述特征掩膜图像中像素点;第二生成子模块用于以读取的像素点为圆心根据预设的半径值生成图像选区;第一确认子模块用于读取所述图像选区中的像素值,并确定所述图像选区中的像素值是否至少一个等于预设的第二像素阈值;第二填充子模块用于当所述图像选区中的像素值至少一个等于预设的第二像素阈值,该像素点为边界附近像素,该像素值不变,否则将所述读取的像素点的像素值填充为预设的填充像素值;第三生成子模块用于根据所述读取的像素点勾勒出所述目标前景图像中所述目标选区的轮廓,生成所述提取图像。
在一些实施方式中,所述图像增强策略包括:对所述目标前景图像进行细带恢复处理,图像处理装置还包括:第三处理子模块、第四处理子模块和第四生成子模块。其中,第三处理子模块用于将所述目标图像输入至预设的细带检测模型中,其中,所述细带检测模型为预先训练至收敛状态,用于对图像进行检测的神经网络模型;第四处理子模块用于将所述细带检测模型输出的检测图像输入至预设的细带图像分割模型中,其中,所述细带图像分割模型为预先训练至收敛状态,用于对图像进行细化分割的神经网络模型;第四生成子模块用于读取所述细带图像分割模型输出的细带图像,并将所述细带图像与所述目标前景图像进行图像融合处理,生成所述提取图像。
在一些实施方式中,所述细带图像分割模型包括:u2net模型和sobel算子,所述u2net模型包括4层U-block模块,所述各U-block模块包括下采样通道和上采样通道,所述下采样通道包括两个3*3卷积层和多个2*2卷积层,所述多个2*2卷积层中各卷积层的输入包括与之相邻的上两个卷积层的输出,所述细带图像为所述u2net模型和sobel算子分割图像的融合图像。
为解决上述技术问题,本发明实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
如图9所示,计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种图像处理方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种图像处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图9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。
本实施方式中处理器用于执行图8中采集模块1100、分割模块1200、处理模块1300和增强模块1400的具体功能,存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有图像处理装置中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过对目标图像进行图像分割处理生成目标图像中目标物图像的特征掩膜图像,用特征掩膜图像作为目标图像的掩膜,对目标图像进行图像过滤和筛选,提取得到用于表征目标物图像的目标前景图像,并对目标前景图像进行图像增强,生成目标选区的提取图像。由于,特征掩膜图像的边缘色差值更加明显,更容易的分辨出目标选区的图像和背景像素之间的区别,采用分割提取得到特征掩膜图像对目标图像进行掩膜过滤后,得到的目标前景图像更完整,能够使最终的提取图像更加完整清晰。
本发明还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例图像处理方法的步骤。
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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
本发明还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例图像处理方法的步骤。
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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;
将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;
读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;
根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像包括:
根据所述特征掩膜图像生成所述目标图像的掩膜矩阵;
将所述掩膜矩阵与所述目标图像的图像矩阵进行相乘运算,生成前景矩阵;
将所述前景矩阵进行像素化处理生成所述目标前景图像。
3.根据权利要求1所述的图像处理方法,其特征在于,所述图像增强策略包括:对所述目标前景图像进行去除噪声处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
对目标前景图像的背景区域填充预设的背景像素,生成第一前景图像;
根据预设的第一像素阈值对所述第一前景图像进行二值化处理,生成所述第一前景图像的二值图像;
对所述二值图像进行连通域处理,使所述二值图像中相同像素值的像素点进行区域连通,生成多个区域块;
对所述多个区域块进行面积筛选生成所述提取图像。
4.根据权利要求3所述的图像处理方法,其特征在于,所述对所述多个区域块进行面积筛选生成所述提取图像包括:
提取所述多个区域块中面积最大的区域块作为参考区域块;
将所述多个区域块中的区域块面积分别与所述参考区域块进行比例运算,生成各个区域块与所述参考区域块的面积比值;
将所述面积比值中小于预设的比例阈值或者面积小于预设的面积阈值的区域块进行筛选,并将筛选出的区域块填充为背景像素生成所述提取图像。
5.根据权利要求1所述的图像处理方法,其特征在于,所述图像增强策略包括:对所述目标前景图像清晰度增强处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
依次读取所述特征掩膜图像中像素点;
以读取的像素点为圆心根据预设的半径值生成图像选区;
读取所述图像选区中的像素值,并确定所述图像选区中的像素值是否至少一个等于预设的第二像素阈值;
当所述图像选区中的像素值至少一个等于预设的第二像素阈值,该像素点为边界附近像素,该像素值不变,否则将所述读取的像素点的像素值填充为预设的填充像素值;
根据所述读取的像素点勾勒出所述目标前景图像中所述目标选区的轮廓,生成所述提取图像。
6.根据权利要求1所述的图像处理方法,其特征在于,所述图像增强策略包括:对所述目标前景图像进行细带恢复处理,所述根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像包括:
将所述目标图像输入至预设的细带检测模型中,其中,所述细带检测模型为预先训练至收敛状态,用于对图像进行检测的神经网络模型;
将所述细带检测模型输出的检测图像输入至预设的细带图像分割模型中,其中,所述细带图像分割模型为预先训练至收敛状态,用于对图像进行细化分割的神经网络模型;
读取所述细带图像分割模型输出的细带图像,并将所述细带图像与所述目标前景图像进行图像融合处理,生成所述提取图像。
7.根据权利要求6所述的图像处理方法,其特征在于,所述细带图像分割模型包括:u2net模型和sobel算子,所述u2net模型包括4层U-block模块,所述各U-block模块包括下采样通道和上采样通道,所述下采样通道包括两个3*3卷积层和多个2*2卷积层,所述多个2*2卷积层中各卷积层的输入包括与之相邻的上两个卷积层的输出,所述细带图像为所述u2net模型和sobel算子分割图像的融合图像。
8.一种图像处理装置,其特征在于,包括:
采集模块,用于采集待处理的目标图像,其中,所述目标图像中包括表征预设目标物图像的目标选区;
分割模块,用于将所述目标图像输入至预设的分割模型中,其中,所述分割模型为预先训练至收敛状态,用于对图像进行提取和分割处理的神经网络模型;
处理模块,用于读取所述分割模型输出的所述目标选区的特征掩膜图像,并将所述特征掩膜图像和目标图像进行掩膜处理,生成所述目标图像的目标前景图像;
增强模块,用于根据预设的图像增强策略,对所述目标前景图像进行图像增强处理,生成所述目标图像的提取图像。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述图像处理方法的步骤。
10.一种存储有计算机可读指令的存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535534.4A CN113240679A (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535534.4A CN113240679A (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240679A true CN113240679A (zh) | 2021-08-10 |
Family
ID=77134722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535534.4A Pending CN113240679A (zh) | 2021-05-17 | 2021-05-17 | 图像处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240679A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516672A (zh) * | 2021-09-07 | 2021-10-19 | 北京美摄网络科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN113808235A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 颜色填充方法、装置、设备及存储介质 |
CN113870439A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN114022884A (zh) * | 2021-11-30 | 2022-02-08 | 中国平安人寿保险股份有限公司 | 图片矫正方法、装置、计算机设备及存储介质 |
CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN116363019A (zh) * | 2023-06-01 | 2023-06-30 | 北京睛采智能科技有限公司 | 一种图像数据增强方法、系统及装置 |
CN116664603A (zh) * | 2023-07-31 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
WO2023173826A1 (zh) * | 2022-03-14 | 2023-09-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质、电子设备及产品 |
-
2021
- 2021-05-17 CN CN202110535534.4A patent/CN113240679A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN114092364B (zh) * | 2021-08-12 | 2023-10-03 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN113516672A (zh) * | 2021-09-07 | 2021-10-19 | 北京美摄网络科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN113516672B (zh) * | 2021-09-07 | 2022-02-25 | 北京美摄网络科技有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
CN113808235A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 颜色填充方法、装置、设备及存储介质 |
CN113870439A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN114022884A (zh) * | 2021-11-30 | 2022-02-08 | 中国平安人寿保险股份有限公司 | 图片矫正方法、装置、计算机设备及存储介质 |
WO2023173826A1 (zh) * | 2022-03-14 | 2023-09-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质、电子设备及产品 |
CN116363019A (zh) * | 2023-06-01 | 2023-06-30 | 北京睛采智能科技有限公司 | 一种图像数据增强方法、系统及装置 |
CN116363019B (zh) * | 2023-06-01 | 2023-08-29 | 北京睛采智能科技有限公司 | 一种图像数据增强方法、系统及装置 |
CN116664603A (zh) * | 2023-07-31 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116664603B (zh) * | 2023-07-31 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240679A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112330574B (zh) | 人像修复方法、装置、电子设备及计算机存储介质 | |
CN112446383B (zh) | 车牌识别方法及装置、存储介质、终端 | |
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN110276767A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN111178211A (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
Zheng et al. | Single image cloud removal using U-Net and generative adversarial networks | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN111275034B (zh) | 从图像中提取文本区域的方法、装置、设备和存储介质 | |
CN108875619A (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN114005090A (zh) | 一种基于疑似烟雾提议区域及深度学习的烟雾检测方法 | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
CN111950457A (zh) | 油田安全生产图像识别方法及系统 | |
CN115731597A (zh) | 一种人脸口罩掩膜图像自动分割与修复管理平台及方法 | |
CN111899202A (zh) | 一种视频图像中叠加时间字符的增强方法 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
Liu et al. | Residual-guided multiscale fusion network for bit-depth enhancement | |
CN112766028A (zh) | 人脸模糊处理方法、装置、电子设备及存储介质 | |
Conrad et al. | Two-stage seamless text erasing on real-world scene images | |
Tian et al. | Deformable convolutional network constrained by contrastive learning for underwater image enhancement | |
CN114565534A (zh) | 一种基于多尺度特征与梯度融合操作的云图识别方法 | |
CN116415019A (zh) | 虚拟现实vr图像识别方法及装置、电子设备、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 |