CN113283436B - 图片处理方法、装置和电子设备 - Google Patents
图片处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113283436B CN113283436B CN202110658239.8A CN202110658239A CN113283436B CN 113283436 B CN113283436 B CN 113283436B CN 202110658239 A CN202110658239 A CN 202110658239A CN 113283436 B CN113283436 B CN 113283436B
- Authority
- CN
- China
- Prior art keywords
- picture
- processed
- determining
- foreground image
- result
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 50
- 238000013145 classification model Methods 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了图片处理方法、装置和电子设备。该方法的一具体实施方式包括：确定待处理图片中前景图像的前景图像尺寸参数；基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式。由此，提供了一种新的图片处理方式。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种图片处理方法、装置和电子设备。
背景技术
随着计算机技术的发展，可以越来越多地利用计算机实现各种功能。
在一些应用场景中，可以利用计算机处理图片。例如可以对图片进行图像识别等处理。在这图片进行例如图像识别之前，可能需要对图片进行一些尺寸变换处理。在一些相关技术中，可以采用裁剪的方式进行尺寸变换，这种方式可能导致图片变形，影响后续使用。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种图片处理方法，该方法包括：确定待处理图片中前景图像的前景图像尺寸参数；基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式。
第二方面，本公开实施例提供了一种图片处理装置，包括：第一确定单元，用于确定待处理图片中前景图像的前景图像尺寸参数；第二确定单元，用于基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式。
第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的图片处理方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的图片处理方法的步骤。
本公开实施例提供的图片处理方法、装置和电子设备，本实施例提供的利用前景图像尺寸参数和待处理图像的尺寸参数，确定对待处理图片的处理方式，可以通过尺寸参数准确而简便地确定对图片的处理参数，减少图片处理的计算量，提高图片处理的速度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的图片处理方法的一个实施例的流程图；
图2是根据本公开的图片处理方法的一个实现方式的示例性流程图；
图3是根据本公开的图片处理方法的一个实现方式的示例性流程图；
图4A、图4B和图4C是根据本公开的相关应用场景的示意图；
图5是根据本公开的图片处理装置的一个实施例的结构示意图；
图6是本公开的一个实施例的图片处理方法可以应用于其中的示例性系统架构；
图7是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的图片处理方法的一个实施例的流程。如图1所示该图片处理方法，包括以下步骤：
步骤101，确定待处理图片中前景图像的前景图像尺寸参数。
在本实施例中，图片处理方法的执行主体(例如服务器)可以确定前景图像的前景图像尺寸参数。并且，还可以确定待处理图片的尺寸参数。
在这里，尺寸参数可以采用各种尺寸单位表示，在此不做限定。
可以理解，可以理解，前景图像可以是与背景图像关联的概念。背景图像的识别和检测，可以参考相关技术的说明，在此不再赘述。
步骤102，基于前景图像尺寸参数和待处理图片的尺寸参数，确定对待处理图片的处理方式。
需要说明的是，本实施例提供的利用前景图像尺寸参数和待处理图像的尺寸参数，确定对待处理图片的处理方式，可以通过尺寸参数准确而简便地确定对图片的处理参数，减少图片处理的计算量，提高图片处理的速度。
需要说明的是，在一些相关技术中，通常期望训练出准确的物体检测模型，以检测图片中的物体类别和位置，以确定是否对图片进行裁剪。但是，世界上的物体种类数不胜数，往往很难有一个全面的检测模型，可以检测出图片中的所有物体类别及位置，我们缺少通用的物体检测及分类能力。
本实施例提供的图片处理方法，回避了对图片进行物体检测，而是前景图像和待处理图片的尺寸参数入手，确定前景图像是否满足需要保持完整性，来进行图片是否可以裁剪的判断。由此，相对于训练用于物体检测的模型，本实施例不仅可以减少模型训练量，而且可以提高关于待处理图片是否适于分割的结果的准确性。
在一些实施例中，上述步骤102，可以包括：从所述待处理图片中，确定前景图像的图像类型是否为预定义的不可分割类型；响应于确定前景图像的图形类型为所述不可分割类型，确定所述待处理图片不可分割。
在这里，在这里，预先定义的不可分割类型，可能从多个因素考虑不可分割。
作为示例，预定义的不可分割图像类型可以包括以下指示一项但不限于：地图、国旗和商标。
需要说明的是，确定前景图像的图像类型是否为预定义的不可分割类型，可以保证即时属于上述预定义不可分割类型的图像的尺寸或者面积较小，也不对该预定义类型的图像进行裁剪处理，保证预定义不可分割类型的图像的完整性。
在一些实施例中，所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：响应于确定前景图像的图形类型不为所述不可分割类型，根据前景图像尺寸参数和所述待处理图片的尺寸参数，确定前景图像的占比结果；根据所述占比结果和预设的占比条件，确定待处理图片是否可分割。
在这里，占比条件用于指示前景图像不可分割的占比情况。
在这里，前景图像不可分割的占比情况，可以包括但是不限于以下至少一项：前景图像在单一方向上的占比大于预设占比阈值，前景图像的面积占比大于预设面积阈值。
在这里，占比结果可以指示待处理图片中的前景图像占比情况。占比结果可以包括但是不限于以下至少一项：单一方向占比、面积占比。
需要说明的是，占比结果的形式，可以是具体数值，也可以是预设的类别。作为示例，占比结果可以包括第一类和第二类，第一类指示占比大于预设数值，用数字1标识；第二类指示占比不大于预设数值，用数字0标识。
在这里，单一方向占比，可以包括前景图像在单一方向上的长度与待处理图片在这一方向的长度的比值。可以理解，占比结果所包括的单一方向占比，可以是一个或者至少两个。例如，占比结果可以包括宽度占比结果和长度占比结果。
在这里，面积占比，可以包括前景图像的面积与待处理图片的面积的比值。
在一些实施例中，可以采用2个参数(例如称为第一参数和第二参数)表示高度占比结果、宽度占比结果和面积占比结果。例如，第一参数为1，第二参数为0，可以指示高度占比大于80％，而宽度占比不大于80％；第一参数为0，第二参数为1，可以指示高度占比不大于80％，而宽度占比大于80％；如果第一参数和第二参数均为1，则可以指示面积占比大于预设面积占比阈值。
在一些实施例中，如果占比结果满足占比条件，则可以确定待处理图片不可分割；如果占比结果不满足占比情况，则可以确定待处理图片中可分割。
需要说明的是，先确定前景图像的图像类型否包括预定义的不可分割类型，再根据占比结果确定待处理图片是否可分割，可以理解为预定义的不可分割类型这个影响因素的优先级较高。由此，可以尽量保证预定义的不可分割的图像不被裁剪，提高对于预定义类型图像处理的准确度。
在一些实施例中，占比结果包括以下至少一项：第一方向占比结果和第二方向占比结果。
在这里，第一方向可以和第二方向垂直。可以理解，在实际应用场景中，是否垂直的确定，可能会设置一定的容错范围，以适应不可避免的误差。
在这里，所述根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，包括：响应于以下至少一项成立，确定占比结果满足占比条件：第一方向占比结果指示大于预设第一阈值，第二方向占比结果指示大于预设第二阈值；响应于占比结果满足占比条件，确定待处理图片不可分割。
作为示例，第一方向可以为长度方向(也可以称为高度方向)，第二方向可以是宽度方向。
作为示例，第一方向占比结果可以指示长度方向占比，如果长度方向占比大于第一阈值(例如90％)，可以确定待处理图片中包括目标前景图像。
作为示例，第二方向占比结果可以指示宽度方向占比，如果宽度方向占比大于第二阈值(例如90％)，可以确定待处理图片中包括目标前景图像。
作为示例，长度方向占比不大于第一阈值，并且宽度方向占比也不大于第二阈值，可以确定待处理图片中不包括目标前景图像。
需要说明的是，采用第一方向占比结果和第二方向占比结果进行占比分析，可以从相互无关的两个方向进行考量，以采用较少的参数确定较为准确的结果，提高确定待处理图片中是否包括较大的前景图像的准确性。
在一些实施例中，请参考图2，图2示出了一个实施例中的示例性流程图。
步骤201，基于分类模型生成待处理图片的分类结果。
在这里，图片处理方法的执行主体(例如服务器)可以基于分类模型生成待处理图片的分类结果。
在这里，上述分类结果可以用于指示待处理图片的前景图像是否可分割。
在这里，分类模型的输出参数可以统称为分类结果。分类模型的输出参数的具体参数项，可以根据实际应用场景设置，在此不做限定。
在这里，分类模型的训练样本，可以具有标签。上述标签可以包括以下至少一项：预定义类型标签和占比标签。标签，可以是由人工标注的，也可以获取已经分类的图片由机器自动标记的。
在这里，预定义类型标签用于指示训练样本中的图像内容为预定义的不可分割图像类型，占比标签指示前景图像在训练样本中的占比。
步骤202，根据分类结果，确定对待处理图片的处理方式。
在这里，上述执行主体可以根据分类结果，确定对待处理图片的处理方式。
可选的，如果分类结果指示待处理图片不可分割，则可以确定不对待处理图片进行裁剪。如果分类结果指示待处理图片可分割，则可以确定对待处理图片进行裁剪。
需要说明的是，本实施例提供的图片处理方法，可以将采用预先训练的分类模型，对待处理图片进行处理，得到处理结果，以得到待处理图片是否具有满足不可分割条件的前景图像；根据分类结果(也就是待处理图片中是否具有满足不可分割条件的前景图像)，确定对待处理图片的处理方式。由此，可以提供一种新的图片处理方式。这种新的图片处理方式，可以避免对具有需要保持完整性的前景图像进行不合适的处理(例如裁剪)，提高对图片处理方式的确定准确率，进而提高对于图片处理的准确率。
本实施例提供的图片处理方法，回避了对图片进行物体检测，而是从前景图像是否满足需要保持完整性入手，来进行图片是否可以裁剪的判断。由此，相对于训练用于物体检测的模型，本实施例提供的分类模型，不仅可以减少模型训练量，而且可以提高关于待处理图片是否适于分割的结果的准确性。
在一些实施例中，上述分类模型可以通过生成分类模型的步骤(可以称为第一步骤)得到。
在一些实施例中，请参考图3，第一步骤可以通过图3所示流程实现。图3所示流程可以包括步骤301和步骤302。
步骤301，将训练样本导入待训练分类模型，得到训练用分类结果。
在这里，上述待训练分类模型，可以是未经训练或者未训练完成的神经网络。这个神经网络的具体结果，可以是各种各样的，在此不做限定。
在这里，上述待训练分类模型，可以输出训练用分类结果。
步骤302，基于训练用分类结果和训练样本的标签，调整待训练分类模型的参数。
在这里，可以基于训练用分类结果和训练样本的标签，生成损失值。然后，采用损失值反向传播，调整待训练分类模型的参数。待训练分类模型的参数可以包括但是不限于神经网络中的权重或者偏置项等。
在一些实施例中，训练样本的标签包括以下至少一项但不限于：预定义类型标签和占比标签。
在这里，预定义类型标签用于指示训练样本中的图像内容为预定义的不可分割图像类型。
作为示例，预定义类型标签可以包括以下指示一项但不限于：地图、国旗和商标。
需要说明的是，设置预定义类型标签为标签，可以保证即时属于上述预定义类型的图像的尺寸或者面积较小，也不对该预定义类型的图像进行裁剪处理，保证预定义类型的图像的完整性。
在这里，占比标签指示前景图像在训练样本中的占比。需要说明的是，占比标签可以是具体的占比数值，也可以是占比的正负样本标签。作为示例，如果前景图像占比大于80％，可以认为是正样本，因而打上正样本标签；如果前景图像占比不大于80％，可以认为是负样本，因而打上负样本标签。
可选的，占比标签包括以下至少一项但不限于：第一方向占比标签、第二方向占比标签和面积占比标签。
在这里，第一方向占比标签，可以指示前景图像在第一方向上的长度与训练样本的第一方向长度的比值。作为示例，可以参考图4A，图4A示出了前景图像在高度方向上占比较大的示意图。
在这里，上述第二方向占比标签，可以指示前景图像在第二方向上的长度与训练样本的第二方向长度的比值。作为示例，可以参考图4B，图4B示出了前景图像在宽度方向上占比较大的示意图。
在这里，上述面积占比标签，可以指示前景图像面积与训练样本面积之间的比值。作为示例，可以参考图4C，图4C示出了前景图像面积占比较大的示意图。
可选的，第一方向与第二方向，可以垂直。需要说明的，第一方向和第二方向垂直，则第一方向占比指示和第二方向占比标签可以最大程度地实现无关性，从而可以实现这两个参数所携带的信息最大化。
需要说明的是，设置占比标签为标签，可以通过实现对于较大的前景图像，可以准确检测其存在，从而可以避免对较大的前景图像进行裁剪，以保证较大前景图像的完整性。进而，提高图像处理的准确性。
在一些实施例中，训练用分类结果可以包括训练用占比结果和训练用预定义类型结果。
在这里，上述步骤202，可以包括：响应于确定训练样本的预定义类型结果与标签中的预定义类型标签不一致，根据训练样本的预定义类型结果和预定义类型标签，生成第一损失值；采用第一损失值，调整待训练分类模型。
在这里，如果上述预定义类型结果预测不准确(即与标签中的预定义类型标签不一致)，可以理解为模型的失误较大，则可以单独采用上述预定义类型结果进行反向传播，占比结果不生效。
由此，可以强化待训练模型在预定义类型上的准确度。进而，可以提高分类模型所生成的分类结果的准确率。
在一些实施例中，上述步骤202，可以包括：响应于确定训练样本的预定义类型结果与标签中的预定义类型标签一致，根据训练样本的占比结果和占比标签，生成第二损失值；采用第二损失值，调整待训练分类模型。
在这里，如果上述预定义类型结果预测准确(即与标签中的预定义类型标签一致)，则计算损失值的时候，可以不再将预定义类型结果作为参考要素，而是采用占比结果进行损失值的计算。
由此，可以减少生成损失值的计算量，并且可以强化待训练模型在占比结果上的分类准确度。进而，可以提高分类模型所生成的分类结果的准确率。
在一些实施例中，上述步骤202，可以包括：响应于确定分类结果指示待处理图片中的前景图像不可分割，确定待处理图片的处理方式为补边或者缩放；响应于确定分类结果指示待处理图片中的前景图像可分割，确定待处理图像的处理方式为裁剪。
在这里，上述补边，可以包括对图片补充像素而改变图片长宽比。
在这里，上述放缩，可以包括对图片进行拉伸或者收缩而改变图片长宽比。
在这里，上述裁剪，可以包括对图片进行像素删除而该边图片长宽比。
需要说明的是，如果待处理图片中包括目标前景图像，则进行不变或者缩放以改变图片长宽比；如果待处理图片中不包括目标前景图像，则进行裁剪以改变图片长宽比；可以避免因裁剪而引起对目标前景图像的截断，最大程度的保留需要保持完整性的前景图像。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种图片处理装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的图片处理装置包括：第一确定单元501和第二确定单元502。其中，第一确定单元，用于确定待处理图片中前景图像的前景图像尺寸参数；第二确定单元，用于基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式。
在本实施例中，图片处理装置的第一确定单元501和第二确定单元502的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101和步骤102的相关说明，在此不再赘述。
在一些实施例中，所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：从所述待处理图片中，确定前景图像的图像类型是否为预定义的不可分割类型；响应于确定前景图像的图形类型为所述不可分割类型，确定所述待处理图片不可分割。
在一些实施例中，所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：响应于确定前景图像的图形类型不为所述不可分割类型，根据前景图像尺寸参数和所述待处理图片的尺寸参数，确定前景图像的占比结果；根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，其中，占比条件用于指示前景图像不可分割的占比情况。
在一些实施例中，占比结果包括以下至少一项：第一方向占比结果和第二方向占比结果，其中，第一方向和第二方向垂直；以及所述根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，包括：响应于以下至少一项成立，确定占比结果满足占比条件：第一方向占比结果指示大于预设第一阈值，第二方向占比结果指示大于预设第二阈值；响应于占比结果满足占比条件，确定待处理图片不可分割。
在一些实施例中，所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：基于分类模型生成所述待处理图片的分类结果，其中，分类结果用于指示待处理图片的前景图像是否可分割；根据所述分类结果，确定对所述待处理图片的处理方式；其中，所述分类模型的训练样本的标签包括以下至少一项：预定义类型标签和占比标签，其中，预定义类型标签用于指示训练样本中的图像内容为预定义的不可分割图像类型，占比标签指示前景图像在训练样本中的占比。
在一些实施例中，待训练分类模型输出的训练样本的的分类结果包括训练样本的占比结果和训练样本的预定义类型结果；以及生成分类模型的步骤包括：响应于确定训练样本的预定义类型结果与标签中的预定义类型标签不一致，根据训练样本的预定义类型结果和预定义类型标签，生成第一损失值；采用第一损失值，调整待训练分类模型。
在一些实施例中，生成分类模型的步骤包括：响应于确定训练样本的预定义类型结果与标签中的预定义类型标签一致，根据训练样本的占比结果和占比标签，生成第二损失值；采用第二损失值，调整待训练分类模型。
在一些实施例中，所述根据所述分类结果，确定对所述待处理图片的处理方式，包括：响应于确定分类结果指示待处理图片中的前景图像不可分割，确定待处理图片的处理方式为补边或者缩放；响应于确定分类结果指示待处理图片中的前景图像可分割，确定待处理图像的处理方式为裁剪。
请参考图6，图6示出了本公开的一个实施例的图片处理方法可以应用于其中的示例性系统架构。
如图6所示，系统架构可以包括终端设备601、602、603，网络604，服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备601、602、603可以通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备601、602、603中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。
终端设备601、602、603可以是硬件，也可以是软件。当终端设备601、602、603为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备601、602、603为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器605可以是提供各种服务的服务器，例如接收终端设备601、602、603发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备601、602、603。
需要说明的是，本公开实施例所提供的图片处理方法可以由终端设备执行，相应地，图片处理装置可以设置在终端设备601、602、603中。此外，本公开实施例所提供的图片处理方法还可以由服务器605执行，相应地，图片处理装置可以设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定待处理图片中前景图像的前景图像尺寸参数；基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“确定待处理图片中前景图像的前景图像尺寸参数的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD－ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种图片处理方法，其特征在于，包括：
确定待处理图片中前景图像的前景图像尺寸参数；
基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式；
所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：
基于分类模型生成所述待处理图片的分类结果，其中，分类结果用于指示待处理图片的前景图像是否可分割；
根据所述分类结果，确定对所述待处理图片的处理方式；所述处理方式包括：补边或者缩放，或者裁剪;
其中，所述分类模型的训练样本的标签包括：预定义类型标签和占比标签，其中，预定义类型标签用于指示训练样本中的图像内容为预定义的不可分割图像类型，占比标签指示前景图像在训练样本中的占比；
所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：
响应于确定待处理图片的前景图像的图像类型不为预定义的不可分割图像类型，根据前景图像尺寸参数和所述待处理图片的尺寸参数，确定前景图像的占比结果；
根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，其中，占比条件用于指示前景图像不可分割的占比情况。
2.根据权利要求1所述的方法，其特征在于，所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：
从所述待处理图片中，确定前景图像的图像类型是否为预定义的不可分割图像类型；
响应于确定前景图像的图形类型为所述不可分割图像类型，确定所述待处理图片不可分割。
3.根据权利要求1所述的方法，其特征在于，占比结果包括以下至少一项：第一方向占比结果和第二方向占比结果，其中，第一方向和第二方向垂直；以及
所述根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，包括：
响应于以下至少一项成立，确定占比结果满足占比条件：第一方向占比结果指示大于预设第一阈值，第二方向占比结果指示大于预设第二阈值；
响应于占比结果满足占比条件，确定待处理图片不可分割。
4.根据权利要求1所述的方法，其特征在于，待训练分类模型输出的训练样本的分类结果包括训练样本的占比结果和训练样本的预定义类型结果；以及
生成分类模型的步骤包括：
响应于确定训练样本的预定义类型结果与标签中的预定义类型标签不一致，根据训练样本的预定义类型结果和预定义类型标签，生成第一损失值；
采用第一损失值，调整待训练分类模型。
5.根据权利要求1所述的方法，其特征在于，生成分类模型的步骤包括：
响应于确定训练样本的预定义类型结果与标签中的预定义类型标签一致，根据训练样本的占比结果和占比标签，生成第二损失值；
采用第二损失值，调整待训练分类模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述分类结果，确定对所述待处理图片的处理方式，包括：
响应于确定分类结果指示待处理图片中的前景图像不可分割，确定待处理图片的处理方式为补边或者缩放；
响应于确定分类结果指示待处理图片中的前景图像可分割，确定待处理图像的处理方式为裁剪。
7.一种图片处理装置，其特征在于，包括：
第一确定单元，用于确定待处理图片中前景图像的前景图像尺寸参数；
第二确定单元，用于基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式；所述处理方式包括：补边或者缩放，或者裁剪;
所述第二确定单元，还用于基于分类模型生成所述待处理图片的分类结果，其中，分类结果用于指示待处理图片的前景图像是否可分割；根据所述分类结果，确定对所述待处理图片的处理方式；
其中，所述分类模型的训练样本的标签包括以下至少一项：预定义类型标签和占比标签，其中，预定义类型标签用于指示训练样本中的图像内容为预定义的不可分割图像类型，占比标签指示前景图像在训练样本中的占比；
所述基于前景图像尺寸参数和所述待处理图片的尺寸参数，确定对所述待处理图片的处理方式，包括：
响应于确定待处理图片的前景图像的图像类型不为预定义的不可分割图像类型，根据前景图像尺寸参数和所述待处理图片的尺寸参数，确定前景图像的占比结果；
根据所述占比结果和预设的占比条件，确定待处理图片是否可分割，其中，占比条件用于指示前景图像不可分割的占比情况。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110658239.8A CN113283436B (zh) | 2021-06-11 | 2021-06-11 | 图片处理方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110658239.8A CN113283436B (zh) | 2021-06-11 | 2021-06-11 | 图片处理方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283436A CN113283436A (zh) | 2021-08-20 |
| CN113283436B true CN113283436B (zh) | 2024-01-23 |
Family
ID=77284667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110658239.8A Active CN113283436B (zh) | 2021-06-11 | 2021-06-11 | 图片处理方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283436B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101767A1 (zh) * | 2014-12-24 | 2016-06-30 | 北京奇虎科技有限公司 | 图片裁剪的方法和装置以及图片检测方法和装置 |
| CN108109158A (zh) * | 2017-12-19 | 2018-06-01 | 北京奇虎科技有限公司 | 基于自适应阈值分割的视频穿越处理方法及装置 |
| CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| CN108960290A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN110580678A (zh) * | 2019-09-10 | 2019-12-17 | 北京百度网讯科技有限公司 | 图像处理方法及装置 |
| CN110660115A (zh) * | 2019-08-20 | 2020-01-07 | 海南车智易通信息技术有限公司 | 一种广告图的生成方法、装置及系统 |
| CN111739128A (zh) * | 2020-07-29 | 2020-10-02 | 广州筷子信息科技有限公司 | 一种目标视频生成方法和系统 |
| CN112215853A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-06-11 CN CN202110658239.8A patent/CN113283436B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016101767A1 (zh) * | 2014-12-24 | 2016-06-30 | 北京奇虎科技有限公司 | 图片裁剪的方法和装置以及图片检测方法和装置 |
| CN108109158A (zh) * | 2017-12-19 | 2018-06-01 | 北京奇虎科技有限公司 | 基于自适应阈值分割的视频穿越处理方法及装置 |
| CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| CN108960290A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
| CN110660115A (zh) * | 2019-08-20 | 2020-01-07 | 海南车智易通信息技术有限公司 | 一种广告图的生成方法、装置及系统 |
| CN110580678A (zh) * | 2019-09-10 | 2019-12-17 | 北京百度网讯科技有限公司 | 图像处理方法及装置 |
| CN111739128A (zh) * | 2020-07-29 | 2020-10-02 | 广州筷子信息科技有限公司 | 一种目标视频生成方法和系统 |
| CN112215853A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283436A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
| CN111598902B (zh) | 图像分割方法、装置、电子设备及计算机可读介质 | |
| CN111258736B (zh) | 信息处理方法、装置和电子设备 | |
| WO2022116947A1 (zh) | 视频裁剪方法、装置、存储介质及电子设备 | |
| CN111259636B (zh) | 文档渲染方法、装置和电子设备 | |
| US20240112299A1 (en) | Video cropping method and apparatus, storage medium and electronic device | |
| CN112053286B (zh) | 图像处理方法、装置、电子设备和可读介质 | |
| CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
| CN111259291B (zh) | 视图展示方法、装置和电子设备 | |
| CN113255812B (zh) | 视频边框检测方法、装置和电子设备 | |
| CN113283436B (zh) | 图片处理方法、装置和电子设备 | |
| CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN111338827B (zh) | 表格数据的粘贴方法、装置以及电子设备 | |
| CN113256659B (zh) | 图片处理方法、装置和电子设备 | |
| CN112766285B (zh) | 图像样本生成方法、装置和电子设备 | |
| CN115209215A (zh) | 视频处理方法、装置及设备 | |
| CN112990349B (zh) | 书写质量评价方法、装置和电子设备 | |
| CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111797591B (zh) | 版面恢复方法、装置和电子设备 | |
| CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
| CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |