CN113344826B - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113344826B CN113344826B CN202110761533.1A CN202110761533A CN113344826B CN 113344826 B CN113344826 B CN 113344826B CN 202110761533 A CN202110761533 A CN 202110761533A CN 113344826 B CN113344826 B CN 113344826B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target image
- pixel difference
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims description 29
- 230000008439 repair process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30176—Document
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、电子设备及存储介质。该方法包括:获取目标图像,计算所述目标图像与对比图像的汉明距离;根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像。本发明实施例的技术方案,解决了现有技术在对图像中的文字进行修复,存在修复的方法复杂度较高,修复的时间过长的技术问题,实现了更加快速有效对图像进行修复,从而达到了提高图像修复的效率。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
图像修复是从残存的已知信息中提取研究所需的部分信息,通过使用特定的方法,按照一定的修复方式,把已知信息传播到破损区域,以完成填充破损区域的过程。随着信息时代的发展,图像修复已经在各个领域得到了广泛的运用。例如,在文物保护、影视特技制作、老照片的修复、图像中文本的去除、障碍物的去除以及视频错误隐藏等方面,有着很高的应用价值。
目前,图像中文字修复方法,通常需要用户手动将图像处理为待处理图像,然后对基于待处理图像中的文字进行修复,例如,基于FMM算法(Fast Multipole Method,快速多级算法)修复图像中的文字时,需要专业设计师将图像处理为单通道灰度图像,然后对单通道灰度图像中的文字进行修复。进一步,基于像素的反色中和方法对彩色图像中的文字进行修复,当图像的背景色为黑色时,则需要用户手动将彩色图像进行反色处理,然后采用像素的反色中和方法对彩色图像中的文字进行修复。
然而,现有技术在对图像中的文字进行修复,存在修复的方法复杂度较高,修复的时间过长的技术问题,从而导致图像修复效率较低,会极大的影响用户体验。
发明内容
本发明实施例提供了图像处理方法、装置、电子设备及存储介质,以实现更加快速有效对图像进行修复,从而提高图像修复的效率。
第一方面,本发明实施例提供了一种图像处理方法,该方法包括:
获取目标图像,计算所述目标图像与对比图像的汉明距离;
根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本。
第二方面,本发明实施例还提供了一种图像处理装置,该装置包括:
汉明距离计算模块,用于获取目标图像,计算所述目标图像与对比图像的汉明距离;
图像相似度确定模块,用于根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
目标修复图像得到模块,用于如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述程序被所述处理器执行,使得所述处理器实现如本发明任意实施例所提供的图像处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的图像处理方法。
本发明实施例的技术方案,通过获取目标图像,计算所述目标图像与对比图像的汉明距离,根据汉明距离,确定目标图像与对比图像的图像相似度。不仅可以对目标图像的文字部分进行评估,快速以及准确的确定目标图像与对比图像之间的相似度,还能够为确定目标图像是否需要进行文字修复提供判断依据。如果图像相似度未达到预设阈值,则将目标图像输入至预先训练完成的图像文字修复模型,得到与目标图像对应的目标修复图像,通过图像文字修复模型对目标图像进行文字修复,解决了现有技术在对图像中的文字进行修复,存在修复的方法复杂度较高,修复的时间过长的技术问题,实现了更加快速有效对图像进行修复,从而达到了提高图像修复的效率的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的一种图像处理方法流程示意图;
图2是本发明实施例二提供的一种图像处理方法流程示意图;
图3是本发明实施例三提供的一种图像处理装置模块示意图;
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种图像处理方法流程示意图,本实施例可适用于通过预先训练完成的图像文字修复模型,从而得到与目标图像对应的目标修复图像的情况,该方法可以由图像处理装置来执行,该图像处理装置可通过软件和/或硬件方式实现,该图像处理装置可集成于诸如计算机或者服务器等的电子设备中。
如图1所示,本实施例的方法包括:
S110、获取目标图像,计算所述目标图像与对比图像的汉明距离。
其中,目标图像可以理解为当前时刻待处理的图像。示例性地,目标图像可以是包含部分残缺文字信息的图像。对比图像可以是包含完整文字信息的标准图像。汉明距离可以用于衡量目标图像和对比图像之间文字信息的差异。
具体的,获取包含完整文字信息的标准图像作为目标图像的对比图像。其中,获取目标图像的方式可以有多种,其目标图像的具体获取方式在此并不做限定。例如,可以接收用户输入的图像作为目标图像,或者是,可以通过网络爬虫技术获取满足预设条件的图像作为目标图像,亦或者是,可以将图像拍摄装置拍摄目标对象的图像作为目标图像。
在检测到目标图像获取完成时,可以计算目标图像和对应图像之间的汉明距离。可选的,计算目标图像与对比图像的汉明距离的方式可以是,基于预先设定的汉明距离算法,计算目标图像和对比图像的汉明距离。
可选的,预先设定的汉明距离算法可以为感知哈希算法,其中,感知哈希算法可以理解为一类算法的总称,可以包括:aHash算法、pHash算法以及dHash算法。可选的,为了更加准确的计算目标图像与对比图像的汉明距离,可以基于dHash算法计算汉明距离。
需要说明的是,本发明实施例中,目标图像和对比图像的图像格式在此不做限定,如,目标图像和对比图像的图像格式可以是PNG格式、JPEG格式或PCX格式。
S120、根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度。
其中,图像相似度可以是目标图像和对比图像之间的差异值。具体的,当目标图像和对比图像之间的差异值越大时,则表示是目标图像与对比图像之间的图像相似度越小。相应的,当目标图像和对比图像之间的差异值越小,则表示目标图像与对比图像之间的图像相似度越大。
具体的,当计算得到目标图像与对比图像的汉明距离时,则可以根据汉明距离,确定目标图像与对比图像之间的图像相似度。
以下两种方式为例,介绍如何根据汉明距离确定目标图像与对比图像相似度:
1、为了更加快速的确定目标图像与对比图像之间的图像相似度,可以预先设置汉明距离阈值,如,预先设置的汉明距离阈值为10。当汉明距离大于预先设置的汉明距离阈值时,则表征目标图像与对比图像的图像相似度较小,那么,可以将目标图像与对比图像之间的图像相似度设置为零。当汉明距离小于等于预先设置的汉明距离阈值时,则表征目标图像与对比图像的图像相似度较大,那么,可以将目标图像与对比图像之间的图像相似度设置为1。
2、为了更加准确的确定目标图像与对比图像之间的图像相似度,可以预先设置汉明距离区间范围,以及预先设置汉明距离区间范围与图像相似度之间的对应关系。当计算得到目标图像与对比图像的汉明距离时,可以基于预先设置的汉明距离区间范围,确定与目标图像与对比图像的汉明距离对应的汉明区间范围。当与目标图像与对比图像的汉明距离对应的汉明区间范围确定完成时,可以基于预先设置的汉明距离区间范围与图像相似度之间的对应关系,确定目标图像与对比图像之间的图像相似度。
S130、如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像。
其中,预设阈值可以理解为预先设置的图像相似度阈值。图像文字修复模型可以用于目标图像中包含部分残缺文字信息进行文字修复。图像文字修复模型的训练样本可以包括:包含完整文字信息的标准图像和与标准图像对应的部分文字信息缺失的残缺图像。目标修复图像可以是与包含部分残缺文字信息的目标图像所对应的包含修复后的文字信息的图像。
具体的,预先设置的图像相似度阈值。当确定出目标图像与对比图像之间的图像相似度时,可以是,将图像相似度与预先设置的图像相似度阈值进行大小比较。如果图像相似度小于预设阈值,则认为目标图像的文字信息缺失严重,此时可以将目标图像输入至预先训练完成的图像文字修复模型,以使图像文字修复模型对目标图像进行修复,从而可以得到与目标图像对应的目标修复图像。
需要说明的是,在本实例中,预设阈值可以是根据经验设置,其具体数值在此并不做限定。示例性的,预设阈值可以为0.8、0.85或0.9等等。
可选的,可以通过下述方式得到图像文字修复模型:
将残缺图像作为预先构建的深度学习网络模型的输入,将标准图像作为深度学习网络模型的期望输出,对深度学习网络模型的网格参数进行反向调整,得到图像文字修复模型。
具体的,预先构建深度学习网络模型,并预先设置深度学习网络模型的网格参数的初始值。将残缺图像输入至深度学习网络模型,可以得到与残缺图像对应的深度学习网络模型的实际输出。将标准图像作为用于图像修复的深度学习网络模型的期望输出。可基于深度学习网络模型的实际输出和期望输出,对深度学习网络模型的网格参数的初始值进行调整。具体地,可以根据深度学习网络模型的实际输出与期望输出,可以确定深度学习网络模型的损失函数。当损失函数达到收敛时,可以确定图像文字修复模型训练完成,即,可以得到图像文字修复模型。
可选的,构建深度学习网络模型可以是构建深度学习端到端网络模型。其中,通过下述步骤构建深度学习端到端网络模型:
步骤一、构建以三个卷积层,两个下采样层和一个全连接层为网络结构的卷积神经网络。
其中,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络可以包括以下几类层构成:卷积层、激活层、下采样层和全连接层。可选的,卷积神经网络可以是以三个卷积层、两个下采样层和一个全连接层为网络结构的LeNet网络。
步骤二、将卷积神经网络中网络结构中位于最后一层的全连接层转化为卷积层,得到全卷积神经网络,基于得到的全卷积神经网络,构建深度学习端到端网络模型。
由于卷积神经网络在卷积层之后与一个或多个全连接层进行连接,当输入一张待处理图像时,可以基于卷积层生成的特征图(feature map)映射成一个固定长度的特征向量。从而可以基于特征向量,得到与待处理对应的数据描述(如,概率值)。根据与待处理对应的数据描述,对图像集进行分类以及回归任务。本发明实施例中,需要对目标图像进行标记,因此需要将卷积神经网络中网络结构中位于最后一层的全连接层转化为卷积层,可以得到全卷积神经网络,从而可以基于全卷积神经网络构建深度学习端到端网络模型。基于构建的深度学习端到端网络模型,可以对输入的目标图像进行标记。
以AlexNet为例进行介绍,构建以三个卷积层,两个下采样层和一个全连接层为网络结构的AlexNet,基于AlexNet构建模型,当模型的输入为一张图像时,可以得到与输入图像所属分类的概率值。将AlexNet的网络结构中位于最后一层的全连接层转化为卷积层,可以得到全卷积神经网络,从而可以基于全卷积神经网络构建深度学习端到端网络模型。当模型的输入为一张图像时,可以对输入图像进行标记,那么,可以得到携带标签的输入图像。
可选的,基于AlexNet构建模型可以是基于AlexNet构建ImageNet模型。
可选的,本发明实施例中的图像处理方法,在所述根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度之后,还可以包括:在检测到所述图像相似度达到预设阈值时,将所述目标图像输入至预先训练完成的图像文字提取模型,得到所述目标图像所包含的文字信息。
其中,图像文字提取模型可以用于对目标图像所述包含的文字信息进行提取。图像文字提取模型的训练样本可以包括文字信息的样本图像和与样本图像对应的文字信息。
具体的,如果图像相似度大于或等于预设阈值时,可以将目标图像输入至预先训练完成的图像文字提取模型,以使目标文字提取模型提取目标图像包含的文字信息,从而得到目标图像所包含的文字信息。
可选的,可以通过下述得到图像文字提取模型:
将样本图像输入至预先构建的深度学习模型,可以得到与样本图像对应的深度学习模型的实际输出。将与样本图像对应的文字信息作为深度学习网络模型的期望输出。基于实际输出和期望输出,对深度学习网络模型的网格参数进行参数调整,得到图像文字提取模型。
本发明实施例的技术方案,通过获取目标图像,计算所述目标图像与对比图像的汉明距离,根据汉明距离,确定目标图像与对比图像的图像相似度。不仅可以对目标图像的文字部分进行评估,快速以及准确的确定目标图像与对比图像之间的相似度,还能够为确定目标图像是否需要进行文字修复提供判断依据。如果图像相似度未达到预设阈值,则将目标图像输入至预先训练完成的图像文字修复模型,得到与目标图像对应的目标修复图像,通过图像文字修复模型对目标图像进行文字修复,解决了现有技术在对图像中的文字进行修复,存在修复的方法复杂度较高,修复的时间过长的技术问题,实现了更加快速有效对图像进行修复,从而达到了提高图像修复的效率的技术效果。
实施例二
图2是本发明实施例二提供的一种图像处理方法流程示意图,在前述实施例的基础上,可选地,所述计算所述目标图像与对比图像的汉明距离,包括:确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像;基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,并基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组;基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,并基于所述第二像素差异值数组确定与所述对比图像对应的第二哈希值;基于所述第一哈希值和所述第二哈希值计算所述目标图像与所述对比图像的汉明距离。
其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示,本实施例的方法具体可包括:
S210、获取目标图像,确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像。
其中,第一灰度图像可以是对目标图像进行灰度处理得到的图像。第二灰度图像可以是将对比图像进行灰度处理得到的处理。
由于彩色图像中每个像素点的色彩值是由红、绿、蓝三个通道值组成的颜色值,当目标图像以及对比图像为彩色图像时,图像中包含的图像信息量较大,为了达到降低计算的复杂度的技术效果,可以对目标图像和对比图像进行灰度处理。
具体的,获取目标图像以及对比图像。当目标图像获取完成时,可以对目标图像进行灰度处理。在检测到目标图像灰度处理完成时,可以得到与目标图像的对应的灰度图像,将与目标图像对应的灰度图像作为第一灰度图像。当对比图像获取完成时,可以将对比图像进行灰度处理。在检测到对比图像灰度处理完成时,可以得到与对比图像对应的灰度图像,将与对比图像对应的灰度图像作为第二灰度图像。
需要说明的是,第一灰度图像和第二灰度图像中的“第一”和“第二”仅仅是用来区别目标图像和对比图像对应的灰度图像,而非对灰度图像的顺序或内容的限定。
可选的,可以通过下述步骤确定与目标图像对应的第一灰度图像:
步骤一、获取目标图像的分辨率,在检测到目标图像的分辨率达到预设分辨率阈值时,将目标图像缩放至预设大小的图像,得到与目标图像对应的缩放图像。
其中,预设分辨率阈值可以是根据经验设置,其具体数值在此并不做限定,如,预设分辨比率阈值可以为9*8、12*10等等。预设大小可以理解为与预设分辨率阈值对应的像素大小。
其中,将目标图像缩放至预设大小的图像的好处在于:可以隐藏图像的细节,减少图像包含的信息量,从而可以更加快速的计算目标图像与对比图像的汉明距离。
具体的,预先设置分辨率阈值。可以通过获取图像分辨率的算法,或者是,可以通过图像分辨率的获取装置(如,Photoshop应用),获取目标图像的图像分辨率。当获取到目标图像的图像分辨率时,可以将目标图像的图像分辨率与预先设置的分辨率阈值进行大小比较。在检测到目标图像的图像分辨率大于或等于分辨率阈值时,可以将目标图像进行缩放处理,并将目标图像缩放至与分辨率阈值对应像素大小的图像。当目标图像缩放完成时,可以得到与目标图像对应的缩放图像。
步骤二、获取缩放图像的颜色通道值,根据缩放图像的颜色通道值,将缩放图像进行灰度化处理,得到缩放图像的灰度图像,将缩放图像的灰度图像作为与目标图像对应的第一灰度图像。
其中,颜色通道值可以理解为颜色的RGB值。其中,RGB可以代表红(Red)、绿(Green)、蓝(Blue)三个通道的颜色。
具体的,在得到与目标图像对应的缩放图像时,可以获取缩放图像的颜色通道值。当获取到缩放图像的颜色通道值时,则可以将缩放图像进行灰度化处理。当对缩放图像进行灰度化处理完成时,可以得到缩放图像的灰度图像,那么,可以将缩放图像的灰度图像作为与目标图像对应的第一灰度图像。
可选的,可以通过下述方式将缩放图像进行灰度化处理:
预先设置用于将图像灰度化处理的算法,基于预先设置的算法,将缩放图像进行灰度化处理。需要说明的是,图像灰度化处理的算法可以是现有技术中的图像灰度化处理的算法,如,图像灰度化处理的算法可以是分量法、最大值法以及加权平均法等。
需要说明的是,在本实施例中,确定对比图像对应的第二灰度图像的方式与确定与目标图像对应的第一灰度图像的方式可以是相同的,也就是说,将对比图像进行灰度化处理的方式与将目标图像进行灰度化处理的方式可以相同。
S220、基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,并基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组。
其中,第一像素差异值数组可以用于存储目标图像每两个相邻像素点的灰度值的差异值。第二像素差异值的数组可以用于存储对比图像每两个相邻像素点的灰度值的差异值。在发明实施例中,两个相邻像素点的灰度值的差异值可以是用于两个相邻像素点的灰度值之间的大小关系的值。例如,可以通过两个不同的预设数值表示每两个相邻像素点的灰度值之间的大小关系,也可以是真或假表示每两个相邻像素点的灰度值之间的大小关系等,在此对差异值的具体表示方式并不做限定。
具体的,在得到第一灰度图像时,可以确定第一灰度图像各像素点的灰度值。基于第一灰度图像各像素点的灰度值,可以确定与目标图像对应的第一像素差异值数组。在得到第二灰度图像时,可以确定第二灰度图像各像素点的灰度值。基于第二灰度图像各像素点的灰度值,可以确定与对比图像对应的第二像素差异值数组。
需要说明的是,第一像素差异值数组以及第二像素差异值数组中的“第一”和“第二”仅仅是用来区分目标图像和对比图像对应的像素差异值数组,而并非对像素差异值数组的顺序或内容的限定。
可选的,可以通过下述步骤,介绍如何基于第一灰度图像确定与目标图像对应的第一像素差异值数组:
步骤一、针对第一灰度图像的每一行像素点,按照各个像素点的排布顺序以及每两个相邻像素点的灰度值之间的大小关系,逐个确定与目标图像对应的第一像素差异值。
其中,第一像素差异值可以是第一灰度图像的每一行像素点中两个相邻像素点的灰度值之间差异值。
具体的,在得到第一灰度图像时,可以确定第一灰度图像每一行的像素点。针对第一灰度图像的每一行像素点,可以按照各个像素点的排布顺序以及每两个相邻像素点的灰度值之间的大小关系,可以逐个确定与目标图像对应的第一像素差异值。
示例性的,第一灰度图像的分辨率为4*2。第一灰度图像的第一行像素点中各个像素点对应的灰度值依次为:0.8、0.7、0.9、0.5,分别比较第一个像素点的灰度值与第二个像素点的灰度值的大小、比较第二个像素点的灰度值与第三个像素点的灰度值的大小、比较第三个像素点的灰度值与第四个像素点的灰度值的大小。第一灰度图像的第二行像素点中各个像素点对应的灰度值依次为:0.4、0.6、0.5、0.4,同理,分别比较第一个像素点的灰度值与第二个像素点的灰度值的大小,依次类推,比较第三个像素点的灰度值与第四个像素点的灰度值的大小。如果大于则用1表示,否则用0表示,可以得到目标图像对应的第一像素差异值分别为1、0、1、0、1、1。如果用大于则用True(真)表示,否则用False(假)表示,可以得到目标图像对应的第一像素差异值分别为:True、False、True、False、True、True。
步骤二、按照各个像素点的排布顺序对第一像素差异值进行排布,以生成与目标图像对应的第一像素差异值数组。
具体的,在检测到与目标图像对应的第一像素差异值确定完成时,可以按照各个像素点的排布顺序对第一像素差异值进行排布。在检测到第一像素差异值排布完成时,可以生成与目标图像对应的第一像素差异值数组,即可以确定与目标图像对应的第一像素差异值数组。
示例性的,与目标图像对应的第一像素差异值分别为:True、False、True、False、True、True,那么,与目标图像对应的第一像素差异值数组为:[True,False,True,False,True,True]。
需要说明的是,在本实施例中,基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组的方式,可以与基于第一灰度图像确定与目标图像对应的第一像素差异值数组的方式可以相同,因此,在得到第二灰度图像时,可以确定与对比图像对应的第二像素差异值数组。
S230、基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,并基于所述第二像素差异值数组确定与所述对比图像对应的第二哈希值。
其中,第一哈希值可以理解为目标图像的哈希值。第二哈希值可以理解为对比图像的哈希值。
具体的,在得到第一像素差异值数组时,可以对第一像素差异值数组中的各元素的值进行遍历,确定第一像素差异值数组中的各元素的值。根据第一像素差异值数组中的各元素的值,可以确定与目标图像对应的第一哈希值。在得到第二像素差异值数组时,可以对第二像素差异值数组中的各元素的值进行遍历,确定第二像素差异值数组中的各元素的值。根据第二像素差异值数组中的各元素的值,可以确定与对比图像对应的第二哈希值。
可选的,可以通过下述方式基于第一像素差异值数组确定与目标图像对应的第一哈希值:
将第一像素差异值数组中的第一像素差异值组成至少一个十六进制值,将组成的各个十六进制值进行拼接得到目标字符串,将目标字符串作为与目标图像对应的第一哈希值。
其中,目标字符串可以理解为与目标图像对应的第一哈希值。
示例性的,第一像素差异值数组为[1,0,0,0,0,0,0,1,1,0,0,0,0,0,0,1],将第一像素差异值数组中的第一像素差异值组成的十六进制值包括81和81,那么,目标字符串为“8181”,即,目标图像对应的第一哈希值为“8181”。
进一步,可以通过下述方式将第一像素差异值数组中的第一像素差异值组成至少一个十六进制值:
将第一像素差异值数组中每个第一像素差异值分别作为一个比特位,按照第一像素差异值的排布顺序将每八个比特位组成一个十六进制值。
S240、基于所述第一哈希值和所述第二哈希值计算所述目标图像与所述对比图像的汉明距离。
示例性的,第一哈希值为:字符串“1111”,第二哈希值为:字符串“1001”,那么,目标图像与对比图像的汉明距离为2。
S250、根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度。
S260、如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像。
本实施例的技术方案,通过获取目标图像,确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像。通过基于第一灰度图像确定与目标图像对应的第一像素差异值数组,并基于第二灰度图像确定与对比图像对应的第二像素差异值数组。通过基于第一像素差异值数组确定与目标图像对应的第一哈希值,并基于第二像素差异值数组确定与对比图像对应的第二哈希值。通过基于第一哈希值和第二哈希值计算目标图像与对比图像的汉明距离,实现了计算目标图像与对比图像之间的汉明距离,从而可以根据汉明距离确定目标图像与对比图像之间的图像相似度,进而对目标图像进行修复,达到了提高图像修复的效率的技术效果。
实施例三
图3是本发明实施例三提供的一种图像处理装置模块示意图,本发明提供了一种图像处理装置,该装置包括:汉明距离计算模块310、图像相似度确定模块320和目标修复图像得到模块330。
其中,汉明距离计算模块310,用于获取目标图像,计算所述目标图像与对比图像的汉明距离;图像相似度确定模块320,用于根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;目标修复图像得到模块330,用于如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本。
本发明实施例的技术方案,通过汉明距离计算模块,获取目标图像,计算所述目标图像与对比图像的汉明距离,通过图像相似度确定模块,根据汉明距离,确定目标图像与对比图像的图像相似度。不仅可以对目标图像的文字部分进行评估,快速以及准确的确定目标图像与对比图像之间的相似度,还能够为确定目标图像是否需要进行文字修复提供判断依据。通过目标修复图像得到模块,如果图像相似度未达到预设阈值,则将目标图像输入至预先训练完成的图像文字修复模型,得到与目标图像对应的目标修复图像,通过图像文字修复模型对目标图像进行文字修复,解决了现有技术在对图像中的文字进行修复,存在修复的方法复杂度较高,修复的时间过长的技术问题,实现了更加快速有效对图像进行修复,从而达到了提高图像修复的效率的技术效果。
可选的,汉明距离计算模块310包括:灰度图像确定单元311、像素差异值数组确定单元312、哈希值确定单元313和汉明距离计算单元314。
其中,灰度图像确定单元311用于确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像;像素差异值数组确定单元312,用于基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,并基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组;哈希值确定单元313,用于基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,并基于所述第二像素差异值数组确定与所述对比图像对应的第二哈希值;汉明距离计算单元314,用于基于所述第一哈希值和所述第二哈希值计算所述目标图像与所述对比图像的汉明距离。
可选的,像素差异值数组确定单元312,用于针对所述第一灰度图像的每一行像素点,按照各个像素点的排布顺序以及每两个相邻像素点的灰度值之间的大小关系,逐个确定与所述目标图像对应的第一像素差异值;按照各个像素点的排布顺序对所述第一像素差异值进行排布,以生成与所述目标图像对应的第一像素差异值数组。
可选的,哈希值确定单元313,用于将所述第一像素差异值数组中的第一像素差异值组成至少一个十六进制值,将组成的各个所述十六进制值进行拼接得到目标字符串,将所述目标字符串作为与所述目标图像对应的第一哈希值。
可选的,灰度图像确定单元311,用于获取所述目标图像的分辨率,在检测到所述目标图像的分辨率达到预设分辨率阈值时,将所述目标图像缩放至预设大小的图像,得到与所述目标图像对应的缩放图像;获取所述缩放图像的颜色通道值,根据所述缩放图像的颜色通道值,将所述缩放图像进行灰度化处理,得到所述缩放图像的灰度图像,将所述缩放图像的灰度图像作为与目标图像对应的第一灰度图像。
可选的,该装置还包括:图像文字修复模型训练模块340,用于将所述残缺图像作为预先构建的深度学习网络模型的输入,将所述标准图像作为所述深度学习网络模型的期望输出,对所述深度学习网络模型的网格参数进行反向调整,得到所述图像文字修复模型。
可选的,该装置还包括:图像的文字提取模块,用于在检测到所述图像相似度达到预设阈值时,将所述目标图像输入至预先训练完成的图像文字提取模型,得到所述目标图像所包含的文字信息。
上述装置可执行本发明任意实施例所提供的图像处理方法,具备执行图像处理方法相应的功能模块和有益效果。
值得注意的是,上述图像处理装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明任一实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担配置信息的处理的电子设备。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40,该程序产品40具有一组程序模块42,这些程序模块被配置以执行本发明各实施例的功能。程序产品40,可以存储在例如存储器28中,这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网WideArea Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的图像处理方法,该方法包括:
获取目标图像,计算所述目标图像与对比图像的汉明距离;
根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本。
当然,本领域技术人员可以理解,处理器还可以实现本发明任一实施例所提供的图像处理方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如本发明任意实施例所提供的图像处理方法。
该方法包括:
获取目标图像,计算所述目标图像与对比图像的汉明距离;
根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明实施例操作的计算机程序代码,所述程序设计语言包括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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种图像处理方法,其特征在于,包括:
获取目标图像,计算所述目标图像与对比图像的汉明距离;
根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本;
其中,所述计算所述目标图像与对比图像的汉明距离,包括:确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像;基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,并基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组;基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,并基于所述第二像素差异值数组确定与所述对比图像对应的第二哈希值;基于所述第一哈希值和所述第二哈希值计算所述目标图像与所述对比图像的汉明距离;
其中,所述基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,包括:针对所述第一灰度图像的每一行像素点,按照各个像素点的排布顺序以及每两个相邻像素点的灰度值之间的大小关系,逐个确定与所述目标图像对应的第一像素差异值;按照各个像素点的排布顺序对所述第一像素差异值进行排布,以生成与所述目标图像对应的第一像素差异值数组;
其中,所述基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,包括:将所述第一像素差异值数组中的第一像素差异值组成至少一个十六进制值,将组成的各个所述十六进制值进行拼接得到目标字符串,将所述目标字符串作为与所述目标图像对应的第一哈希值。
2.根据权利要求1所述的方法,其特征在于,所述确定与目标图像对应的第一灰度图像,包括:
获取所述目标图像的分辨率,在检测到所述目标图像的分辨率达到预设分辨率阈值时,将所述目标图像缩放至预设大小的图像,得到与所述目标图像对应的缩放图像;
获取所述缩放图像的颜色通道值,根据所述缩放图像的颜色通道值,将所述缩放图像进行灰度化处理,得到所述缩放图像的灰度图像,将所述缩放图像的灰度图像作为与目标图像对应的第一灰度图像。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述残缺图像作为预先构建的深度学习网络模型的输入,将所述标准图像作为所述深度学习网络模型的期望输出,对所述深度学习网络模型的网格参数进行反向调整,得到所述图像文字修复模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在检测到所述图像相似度达到预设阈值时,将所述目标图像输入至预先训练完成的图像文字提取模型,得到所述目标图像所包含的文字信息。
5.一种图像处理装置,其特征在于,包括:
汉明距离计算模块,用于获取目标图像,计算所述目标图像与对比图像的汉明距离;
图像相似度确定模块,用于根据所述汉明距离,确定所述目标图像与所述对比图像的图像相似度;
目标修复图像得到模块,用于如果所述图像相似度未达到预设阈值,则将所述目标图像输入至预先训练完成的图像文字修复模型,得到与所述目标图像对应的目标修复图像,其中,所述图像文字修复模型以包含完整文字信息的标准图像和与所述标准图像对应的部分文字信息缺失的残缺图像作为训练样本;
其中,汉明距离计算模块包括:灰度图像确定单元、像素差异值数组确定单元、哈希值确定单元和汉明距离计算单元,其中,灰度图像确定单元,用于确定与目标图像对应的第一灰度图像以及与对比图像对应的第二灰度图像;像素差异值数组确定单元,用于基于所述第一灰度图像确定与所述目标图像对应的第一像素差异值数组,并基于所述第二灰度图像确定与所述对比图像对应的第二像素差异值数组;哈希值确定单元,用于基于所述第一像素差异值数组确定与所述目标图像对应的第一哈希值,并基于所述第二像素差异值数组确定与所述对比图像对应的第二哈希值;汉明距离计算单元,用于基于所述第一哈希值和所述第二哈希值计算所述目标图像与所述对比图像的汉明距离,其中,像素差异值数组确定单元,具体用于针对所述第一灰度图像的每一行像素点,按照各个像素点的排布顺序以及每两个相邻像素点的灰度值之间的大小关系,逐个确定与所述目标图像对应的第一像素差异值;按照各个像素点的排布顺序对所述第一像素差异值进行排布,以生成与所述目标图像对应的第一像素差异值数组,其中,哈希值确定单元,具体用于将所述第一像素差异值数组中的第一像素差异值组成至少一个十六进制值,将组成的各个所述十六进制值进行拼接得到目标字符串,将所述目标字符串作为与所述目标图像对应的第一哈希值。
6.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述程序被所述处理器执行,使得所述处理器实现如权利要求1-4中任一所述的图像处理方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761533.1A CN113344826B (zh) | 2021-07-06 | 2021-07-06 | 图像处理方法、装置、电子设备及存储介质 |
PCT/CN2022/095852 WO2023279890A1 (zh) | 2021-07-06 | 2022-05-30 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761533.1A CN113344826B (zh) | 2021-07-06 | 2021-07-06 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344826A CN113344826A (zh) | 2021-09-03 |
CN113344826B true CN113344826B (zh) | 2023-12-19 |
Family
ID=77482751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761533.1A Active CN113344826B (zh) | 2021-07-06 | 2021-07-06 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113344826B (zh) |
WO (1) | WO2023279890A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344826B (zh) * | 2021-07-06 | 2023-12-19 | 北京锐安科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116823994A (zh) * | 2023-02-20 | 2023-09-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像生成、模型训练方法、装置、设备及存储介质 |
CN116701553B (zh) * | 2023-05-12 | 2024-01-02 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
CN116827683B (zh) * | 2023-08-24 | 2023-11-21 | 深圳市大恒数据安全科技有限责任公司 | 一种安全可信的电子固证方法和装置 |
CN118429229B (zh) * | 2024-07-04 | 2024-09-17 | 中邮消费金融有限公司 | 图像修复方法、设备、存储介质及计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214238A (zh) * | 2017-06-30 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
WO2020182019A1 (zh) * | 2019-03-08 | 2020-09-17 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
CN112541902A (zh) * | 2020-12-15 | 2021-03-23 | 平安科技(深圳)有限公司 | 相似区域搜索方法、装置、电子设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570382B (zh) * | 2019-09-19 | 2022-11-11 | 北京达佳互联信息技术有限公司 | 一种图像修复方法、装置、电子设备及存储介质 |
CN111144241B (zh) * | 2019-12-13 | 2023-06-20 | 深圳奇迹智慧网络有限公司 | 基于图像校验的目标识别方法、装置和计算机设备 |
CN111737547A (zh) * | 2020-06-17 | 2020-10-02 | 北京三快在线科技有限公司 | 商户信息的获取系统、方法、装置、设备及存储介质 |
CN112016606A (zh) * | 2020-08-20 | 2020-12-01 | 恒安嘉新(北京)科技股份公司 | 一种应用程序app的检测方法、装置、设备及存储介质 |
CN112634170B (zh) * | 2020-12-30 | 2023-11-21 | 平安科技(深圳)有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
CN113344826B (zh) * | 2021-07-06 | 2023-12-19 | 北京锐安科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-06 CN CN202110761533.1A patent/CN113344826B/zh active Active
-
2022
- 2022-05-30 WO PCT/CN2022/095852 patent/WO2023279890A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214238A (zh) * | 2017-06-30 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
WO2020182019A1 (zh) * | 2019-03-08 | 2020-09-17 | 苏州大学 | 图像检索方法、装置、设备及计算机可读存储介质 |
WO2021027155A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于指静脉图像的验证方法、装置、存储介质及计算机设备 |
CN112541902A (zh) * | 2020-12-15 | 2021-03-23 | 平安科技(深圳)有限公司 | 相似区域搜索方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于提取标签显著性区域的深度学习图像检索方法;田少骅;胡琦瑶;蒙泽新;王炅昱;;物联网技术(09);第60-63页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023279890A1 (zh) | 2023-01-12 |
CN113344826A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
JP2022133378A (ja) | 顔生体検出方法、装置、電子機器、及び記憶媒体 | |
CN110533117B (zh) | 图像比对方法、装置、设备和存储介质 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
US20220189083A1 (en) | Training method for character generation model, character generation method, apparatus, and medium | |
CN111104941B (zh) | 图像方向纠正方法、装置及电子设备 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN114266860B (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
CN111898544B (zh) | 文字图像匹配方法、装置和设备及计算机存储介质 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN111353956A (zh) | 图像修复方法、装置、计算机设备及存储介质 | |
CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
CN117557775A (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN115439850B (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 | |
CN114741697B (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN116977195A (zh) | 复原模型的调整方法、装置、设备及存储介质 | |
CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN114882557A (zh) | 一种人脸识别方法和装置 | |
CN114463734A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN111340137A (zh) | 图像识别方法、装置及存储介质 | |
CN114596245A (zh) | 一种图像重构模型的生成方法和计算机设备 |
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 |