CN113591972A - 图像处理方法、装置、电子设备以及存储介质 - Google Patents
图像处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113591972A CN113591972A CN202110858355.4A CN202110858355A CN113591972A CN 113591972 A CN113591972 A CN 113591972A CN 202110858355 A CN202110858355 A CN 202110858355A CN 113591972 A CN113591972 A CN 113591972A
- Authority
- CN
- China
- Prior art keywords
- text
- image
- parameter
- detected
- character
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000008719 thickening Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Character Input (AREA)
Abstract
本公开的实施例公开了一种图像处理方法、装置、电子设备以及存储介质。本公开涉及计算机视觉领域,并具体涉及图像处理技术。本公开的实施例的方法包括:对待检测图像进行文字识别,以确定所述待检测图像中存在的至少一个文字和所述至少一个文字的文本属性;基于所述至少一个文字的文本属性确定所述待检测图像中的至少一个文本参数;以及基于所述至少一个文本参数对所述待检测图像进行分类。利用本公开提供的实施例,能够以较低的成本实现图像的准确分类。
Description
技术领域
本公开实施例涉及计算机视觉领域,具体涉及图像处理方法、装置、电子设备以及存储介质。
背景技术
在各种营销页面中,存在大量用于描述营销对象的图片内容。其中对于目标群体而言,不同的图片内容具有不同的吸引性。
发明内容
根据本公开示例性实施例的一个方面,提供了一种图像处理方法,包括:对待检测图像进行文字识别,以确定所述待检测图像中存在的至少一个文字和所述至少一个文字的文本属性;基于所述至少一个文字的文本属性确定所述待检测图像中的至少一个文本参数;以及基于所述至少一个文本参数对所述待检测图像进行分类。
根据本公开示例性实施例的另一个方面,提供了一种图像处理装置,包括:文字识别单元,配置成对待检测图像进行文字识别,以确定所述待检测图像中存在的至少一个文字和所述至少一个文字的文本属性;文本参数确定单元,配置成基于所述至少一个文字的文本属性确定所述待检测图像中的至少一个文本参数;分类单元,配置成基于所述至少一个文本参数对所述待检测图像进行分类。
根据本公开示例性实施例的另一个方面,提供了一种电子设备。该电子设备包括:处理器以及存储程序的存储器。程序包括指令,指令在由处理器执行时使处理器执行根据本公开一些示例性实施例的图像处理方法。
根据本公开示例性实施例的另一个方面,提供了一种存储程序的计算机可读存储介质。程序包括指令,指令在由电子设备的处理器执行时,致使处理器执行根据本公开一些示例性实施例的图像处理方法。
根据本公开示例性实施例的另一个方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开一些示例性实施例的图像处理方法。
借助于本公开示例性实施例的图像处理方法、装置、电子设备以及存储介质,能够方便而有效地基于图像内容识别出图像内容的显著性,从而对图像的布局和质量检测进行有效指导。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的元素:
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的图像处理方法的示例性的流程图;
图3A-图3C示出了加粗文字、放大文字和填充色文字的示例;
图4示出了根据本公开的实施例的待检测图像的示例;
图5示出了根据本公开的实施例的图像处理装置的示例性框图;以及
图6示出了根据本公开示例性实施例的示例计算设备的示意性框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在电子商务领域,大量使用图片内容实现针对目标对象(如目标商品)的描述。用户通过浏览相应页面中的图片来获取目标对象的基本信息。可以理解的是,不同排版和布局的图片内容能够向用户传递信息的效率是不同的。有些图片传递的信息具有较高的显著性,并因此对用户具有较高的吸引力,而有些图片则无法获取用户的有效关注。因此,需要一种有效的图片处理方式来检测图片的显著性。
在相关技术中,一般使用人工检查的方式来判断图片内容的显著性。然而,对于海量图片来说,人工检查的效率较低。并且人工检查的结果依赖于检查人员的主观判断,难以在不同的检查人员之间建立统一的评价标准。
此外,也可以利用基于人工智能的机器学习/深度学习技术检测图片的显著性。然而,为了获得较好的基于机器学习的检测结果,需要选取大量图像作为训练数据集、对数据集中的图像进行人工标注、并利用标注好的数据对模型进行训练。训练好的模型能够承担检测图像显著性的任务,但模型的检测效果会受到训练集的数据选择、人工标注的准确性以及训练过程的影响。因此,基于人工智能的图片检测方法的使用门槛较高,对训练人员的数据收集能力和模型训练能力具有较高的要求,并且带来了较高的数据标注成本。
为了解决上述问题,本公开提供了一种新的用于检测图像显著性的图像处理方法。以下结合附图对本公开的实施例进行进一步描述。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,可以使用作为客户端设备101、102、103、104、105和106的移动终端运行根据本公开的实施例的图像处理方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入或获取待检测的图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库可以是例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。可以利用图1中示出的客户端101~106执行根据本公开的实施例的图像处理方法,也可以利用服务器120执行根据本公开的实施例的图像处理方法。
图2示出了根据本公开的实施例的图像处理方法的示例性的流程图。可以利用图1中示出的客户端或处理器执行图2中描述的方法200。
如图2所示,在步骤S204中,可以对待检测图像进行文字识别,以确定待检测图像中存在的至少一个文字和至少一个文字的文本属性。
可以利用例如光学字符识别(Optical Character Recognition,OCR)方法以及其他任何能够实现文字识别的方法对待检测图像进行处理,以得到待检测图像中存在的至少一个文字。文字识别的结果可以包括识别到的文字的字符内容以及与文字相关的各种属性。
在一些实施例中,上述至少一个文字的文本属性可以包括以下各项中的至少一项:上述至少一个文字的文字数量、每个文字的文字尺寸、每个文字的文字位置、以及每个文字的文字颜色。其中,文字数量指的是待检测图像中存在的文字字符的总数,文字尺寸指的是每个文字的文字高度和/或每个文字在待检测图像中所占的像素面积,文字位置指的是每个文字的特征点(例如字符中心或围绕字符的检测框边缘的任何一点)在待检测图像中对应的像素坐标,文字颜色指的是每个文字的填充色或边框色。
可以理解的是,根据实际需要,本领域技术人员可以通过文字识别获取与文字相关的任何其他文本属性,例如每个文字的字体、每个文字的文字方向等。上述文本属性可以用于表示图像中存在的文字的布局特征,从而能够反映待检测图像的图文布局。
在一些实施例中,可以基于文字的文本属性确定待检测图像中存在的显著文字。在本公开的实施例中,显著文字可以使具有以下特性中至少一项的单个文字或文字序列:加粗、放大和彩色。其中,加粗文字指的是该文字(或文字序列)的字符笔画宽度大于相邻文字的字符笔画宽度,放大文字指的是该文字(或文字序列)的字符高度大于相邻文字的字符高度,彩色文字指的是该文字(或文字序列)的填充色或边框色包括不同于相邻文字的填充色或边框色的至少一种的颜色或该文字(或文字序列)的填充色或边框色是非黑色、非白色的其他颜色。图3A-图3C分别示出了加粗文字、放大文字和填充色文字的示例。如图3A所示,字符BB相对于相邻字符AA、CC而言是放大文字。如图3B所示,字符BB相对于相邻字符AA、CC而言是加粗文字。如图3C所示,字符AABBCC可以具有填充色,尽管图3C中示出的字符AABBCC的填充色为黑色,本领域技术人员可以理解,在本公开的实施例中,字符的填充色可以是任何其他颜色。
在步骤S206中,可以基于上述至少一个文字的文本属性确定待检测图像中的至少一个文本参数。
在一些实施例中,文本参数可以是针对上述至少一个文字的文本属性的统计结果。由于文本属性可以反映图像中存在的文字的布局特征,因此文本参数可以用于反映待检测图像的整体图文布局。
在一些实施例中,步骤S206中确定的文本参数可以包括待检测图像中的文字覆盖参数、显著段落覆盖参数和显著文字覆盖参数中的至少一种。也就是说,步骤S206可以包括基于上述至少一个文字的文本属性确定待检测图像中的文字覆盖参数、显著段落覆盖参数和显著文字覆盖参数中的至少一种。
文字覆盖参数可以用于反映待检测图像中文字的覆盖的情况。对于同时包括文字和图画的待检测图像来说,当待检测图像中存在的文字过多或存在的文字在图像中占据的面积过大时,可以认为待检测图像的可视性较差,即,用户在看到待检测图像时难以快速获取待检测图像中想要传达的信息。
在一些实现方式中,可以基于上述至少一个文字的覆盖面积和待检测图像的图像面积确定所述待检测图像中的文字覆盖参数。其中,可以对上述至少一个文字中每个文字所占据的像素面积进行求和,以得到待检测图像中被文字覆盖的像素面积的总和作为上述至少一个文字的覆盖面积。可以将上述至少一个文字的覆盖面积和待检测图像的图像面积的比值确定为待检测图像的文字覆盖参数的值。
在另一些实现方式中,可以基于上述至少一个文字的文字数量确定待检测图像中的文字覆盖参数。例如,可以将至少一个文字的字符的总数确定为待检测图像中的文字覆盖参数的值。
显著段落覆盖参数和显著文字覆盖参数可以用于反映待检测图像中的文字是否具有显著性。如前所述,显著文字指的是其尺寸、笔画宽度或颜色与相邻文字不同的文字或文字序列。可以理解的是,在用户观看待检测图像时,显著文字和/或显著文字所在的段落更容易吸引用户的注意力。因此待检测图像中包括的显著文字的比例越高,可以认为待检测图像的显著性越高。
显著段落覆盖参数可以以段落为单位反映检测图像中的文字是否具有显著性。在一些实施例中,可以基于待检测图像中识别的至少一个文字的文字位置确定待检测图像中的至少一个文字段落,其中每个文字段落包括待检测图像中识别到的至少一个文字中的一部分文字。在一些实现方式中,对于待检测图像中识别的至少一个文字中的每个文字,可以认为该文字和与其距离小于预定距离阈值的其他文字属于同一段落。利用上述规则可以将待检测图像中识别的至少一个文字划分成至少一个文字段落。
对于上述至少一个文字段落中的每个文字段落,可以基于该文字段落中包括的每个文字的文字属性确定该文字段落中显著文字的数量。其中,显著文字包括该文字段落中具有以下至少一种效果的文字:加粗、放大、彩色。其中,当文字段落中具有字符笔画宽度为第一宽度的第一字符和字符笔画宽度为大于第一宽度的第二宽度的第二字符时,可以认为第二字符是具有加粗效果的文字。类似地,当文字段落中具有字符高度为第一高度的第三字符和字符高度为大于第一高度的第二高度的第四字符时,可以认为第四字符是具有放大效果的文字。可以认为填充色不同于黑色和白色的字符是具有彩色效果的字符。
基于每个文字段落中显著文字的数量和待检测图像中包括的文字段落的总数量可以确定待检测图像中的显著段落覆盖参数。在一些实施例中,对于待检测图像中至少一个文字段落中的每个文字段落,响应于确定该文字段落中显著文字的比例高于预定的显著文字占比阈值,确定该文字段落为显著段落。也就是说,对于任意文字段落,当该段落中具有加粗、放大或彩色效果的显著文字的比例高于显著文字占比阈值时,可以认为该文字段落具有较强的视觉吸引力,因此具有显著性。本领域技术人员可以根据实际情况设置显著文字占比阈值的值。这里所说的显著文字的比例可以指的是显著文字的数量与该段落中包括的文字总数量的比值,也可以是显著文字的覆盖的像素面积与该段落中包括的文字覆盖的总像素面积的比值。
利用上述方法确定待检测图像中显著段落的数量后,可以基于显著段落的数量和待检测图像中包括的至少一个文字段落的总数量确定待检测图像中的显著段落覆盖参数。
在一些实现方式中,可以将待检测图像中显著段落的数量和待检测图像中包括的至少一个文字段落的总数量的比值确定为显著段落覆盖参数的值。
显著段落覆盖参数可以以文字为单位反映检测图像中的文字是否具有显著性。对于待检测图像中识别到的至少一个文字的文字属性可以确定所述至少一个文字中显著文字的数量。其中显著文字包括具有以下至少一种效果的文字或文字序列:加粗、放大、彩色。加粗文字指的是该文字(或文字序列)的字符笔画宽度大于相邻文字的字符笔画宽度,放大文字指的是该文字(或文字序列)的字符高度大于相邻文字的字符高度,彩色文字指的是该文字(或文字序列)的填充色或边框色包括不同于相邻文字的填充色或边框色的至少一种的颜色或该文字(或文字序列)的填充色或边框色是非黑色、非白色的其他颜色。
可以基于待检测图像中识别的至少一个文字中显著文字的覆盖面积和待检测图像的图像面积确定待检测图像中的显著文字覆盖参数。在一些实现方法中,可以将至少一个文字中显著文字的覆盖面积和待检测图像的图像面积的比值确定为待检测图像中显著文字覆盖参数的值。
在步骤S208中,可以基于步骤S206中确定的至少一个文本参数对待检测图像进行分类。如前所述,可以利用步骤S206中确定的文本参数表示待检测图像的显著性。因此,可以利用步骤S206中确定的文本参数将待检测图像分类为显著图像或非显著图像。
在一些实施例中,可以基于步骤S206中确定的至少一个文本参数中的每个文本参数和相应的文本参数阈值之间的比较结果对待检测图像进行分类。在一些实现方式中,响应于比较结果指示步骤S206中确定的至少一个文本参数中每个文本参数满足相应的文本参数阈值的要求,确定待检测图像是显著图像。响应于比较结果指示步骤S206中至少一个文本参数中的存在不满足相应的文本参数阈值的要求的文本参数,确定待检测图像是非显著图像。
下面以步骤S206中确定的至少一个文本参数包括文字覆盖参数和显著段落覆盖参数为例描述本公开的原理。
文字覆盖参数的值可以被确定为待检测图像中存在的至少一个文字覆盖的像素面积和待检测图像的图像面积的比值,文字覆盖参数阈值被确定为0.3。当文字覆盖参数的值小于0.3时,可以认为文字覆盖参数满足阈值要求。当文字覆盖参数的值被确定为待检测图像中存在的文字的文字数量时,可以基于待检测图像的尺寸确定文字覆盖参数阈值n。其中待检测图像的尺寸越大,文字覆盖参数阈值n的值也可以越大。当待检测图像中存在的文字的文字数量小于文字覆盖参数阈值n时,可以认为文字覆盖参数满足阈值要求。
显著段落覆盖参数的值可以被确定为待检测图像中存在的显著段落的数量和待检测图像中存在的至少一个段落的总数量的比值。其中,显著段落被定义为其中显著文字的数量与该段落中包括的文字数量的比值大于0.2的段落。在此基础上,可以计算待检测图像中存在的显著段落的数量和待检测图像中存在的至少一个段落的总数量的比值。显著段落覆盖参数阈值可以被确定为0.35。当显著段落覆盖参数的值大于0.35时,可以认为显著段落覆盖参数满足阈值要求。
在文字覆盖参数和显著段落覆盖参数都满足阈值要求的情况下,可以确定待检测图像是显著图像。反之,如果文字覆盖参数和显著段落覆盖参数中的至少一个不满足阈值要求,则可以确定待检测图像是非显著图像。
在不脱离本公开原理的情况下,本领域技术人员可以根据实际情况选择用于对待检测图像进行分类的其他文本参数(如显著文字覆盖参数)以及用于每个文本参数的阈值的具体数值,以适应不同应用场景中的不同需求。
在另一些实施例中,也可以基于步骤S206中确定的至少一个文本参数确定用于待检测图像的显著性分数,并基于所确定的显著性分数对待检测图像进行分类。例如,可以对步骤S206中确定的至少一个文本参数进行求和或加权求和,以得到用于待检测图像的显著性分数。又例如,可以对步骤S206中确定的至少一个文本参数进行求和或加权求和,并利用映射函数(如sigmoid函数)将至少一个文本参数的求和结果映射为0至1之间的映射值,并将该映射值确定为待检测图像的显著性分数。可以基于显著性分数和预定的显著性阈值的比较对待检测图像进行分类。例如,当显著性分数高于或等于预定的显著性阈值时,可以将待检测图像确定为显著图像。当显著性分数低于预定的显著性阈值时,可以将待检测图像确定为非显著图像。
利用本公开提供的图像处理方法,可以基于在图像中检测到的文字的文字属性确定待检测图像中文字或文字段落的布局特性,并基于文字或文字段落的对待检测图像进行分类以得到待检测图像是否具有显著性的分类结果。本公开提供的方法能够以较低的成本得到针对图像的显著性检测的较准确的结果。具有使用门槛低、成本低并且在准确性较高的有益效果。通过利用本公开的实施例得到的关于待检测图像的显著性的检测结果,可以判断待检测图像对于用户是否有吸引力,从而可以用于指导营销页面制作、页面图片布局或页面质量检测。
图4示出了根据本公开的实施例的待检测图像的示例。如图4所示,可以对待检测图像400进行文字识别以得到待检测图像400中的文字“自然生活”、“送芯净水+节水+无废水”等字符,并且可以基于所识别的文字在待检测图像中的位置确定待检测图像400中的至少一个段落。以图4中示出的段落410为例,段落410中存在字符“送芯”相对于其余字符具有更高的字符高度以及更宽的字符笔画宽度,因此可以将“送芯”确定为显著字符。可以利用结合图2描述的方法确定该待检测图像400的文字参数并确定待检测图像400是否属于显著图像。
图5示出了根据本公开的实施例的图像处理装置的示例性框图。
如图5所示,图像处理装置500可以包括文字识别单元510、文本参数确定单元520以及分类单元530。
文字识别单元510可以配置成对待检测图像进行文字识别,以确定待检测图像中存在的至少一个文字和至少一个文字的文本属性。文本参数确定单元520可以配置成基于至少一个文字的文本属性确定待检测图像中的至少一个文本参数。分类单元530可以配置成基于至少一个文本参数对待检测图像进行分类。
这里所说的图像处理装置500的上述各单元510~530的操作分别与前面描述的步骤S204~S208的操作类似,在此不再加以赘述。
根据本公开的实施例,还提供了一种电子设备,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指令,所述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结合图2所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行结合图2所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现结合图2所述的方法。
参考图6,现将描述可以作为本公开的移动终端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 10603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如根据本公开的实施例的图像处理方法。例如,在一些实施例中,根据本公开的实施例的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开的实施例的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (18)
1.一种图像处理方法,包括:
对待检测图像进行文字识别,以确定所述待检测图像中存在的至少一个文字和所述至少一个文字的文本属性;
基于所述至少一个文字的文本属性确定所述待检测图像中的至少一个文本参数;以及
基于所述至少一个文本参数对所述待检测图像进行分类。
2.如权利要求1所述的图像处理方法,其中,所述确定所述待检测图像中的至少一个文本参数包括:
基于所述至少一个文字的文本属性确定所述待检测图像中的文字覆盖参数、显著段落覆盖参数和显著文字覆盖参数中的至少一种。
3.如权利要求2所述的图像处理方法,其中,确定所述文本参数包括确定所述待检测图像中的文字覆盖参数,
所述确定所述待检测图像中的文字覆盖参数包括:
基于所述至少一个文字的覆盖面积和所述待检测图像的图像面积确定所述待检测图像中的文字覆盖参数。
4.如权利要求2所述的图像处理方法,其中,确定所述文本参数包括确定所述待检测图像中的文字覆盖参数,
所述确定所述待检测图像中的文字覆盖参数包括:
基于所述至少一个文字的文字数量确定所述待检测图像中的文字覆盖参数。
5.如权利要求2所述的图像处理方法,其中,确定所述文本参数包括确定所述待检测图像中的显著段落覆盖参数,
所述确定所述待检测图像中的显著段落覆盖参数包括:
基于所述至少一个文字中每个文字的位置确定所述待检测图像中的至少一个文字段落,其中每个文字段落包括所述至少一个文字中的至少一部分文字;
对于每个文字段落,基于该文字段落中包括的每个文字的文字属性确定该文字段落中显著文字的数量,其中所述显著文字包括该文字段落中具有以下至少一种效果的文字:加粗、放大和彩色;以及
基于每个文字段落中显著文字的数量和所述待检测图像中包括的文字段落的总数量确定待检测图像中的显著段落覆盖参数。
6.如权利要求5所述的图像处理方法,其中,所述确定待检测图像中的显著段落覆盖参数包括:
对于所述至少一个文字段落中的每个文字段落,响应于确定该文字段落中显著文字的比例高于预定的显著文字占比阈值,确定该文字段落为显著段落;以及
基于显著段落的数量和所述待检测图像中包括的至少一个文字段落的总数量确定待检测图像中的显著段落覆盖参数。
7.如权利要求2所述的图像处理方法,其中,确定所述文本参数包括确定所述待检测图像中的显著文字覆盖参数,
基于所述至少一个文字的文本属性确定所述待检测图像中的显著文字覆盖参数包括:
基于所述至少一个文字的文本属性确定所述至少一个文字中显著文字的数量,其中所述显著文字包括具有以下至少一种效果的文字:加粗、放大、彩色;以及
基于所述至少一个文字中显著文字的覆盖面积和所述待检测图像的图像面积确定待检测图像中的显著文字覆盖参数。
8.如权利要求1-7任一项所述的图像处理方法,其中,基于所述至少一个文本参数对所述待检测图像进行分类包括:
基于所述至少一个文本参数中每个文本参数和相应的文本参数阈值之间的比较结果对所述待检测图像进行分类。
9.如权利要求8所述的图像处理方法,其中,基于所述至少一个文本参数中每个文本参数和相应的文本参数阈值之间的比较结果对所述待检测图像进行分类包括:
响应于所述比较结果指示所述至少一个文本参数中每个文本参数满足文本参数阈值的要求,确定所述待检测图像是显著图像;以及
响应于所述比较结果指示所述至少一个文本参数中的存在不满足相应的文本参数阈值的要求的文本参数,确定所述待检测图像是非显著图像。
10.如权利要求1所述的图像处理方法,其中,所述确定所述至少一个文字的文本属性包括确定以下各项:
所述至少一个文字的文字数量;
每个文字的文字尺寸;
每个文字的文字位置;以及
每个文字的文字颜色。
11.一种图像处理装置,包括:
文字识别单元,配置成对待检测图像进行文字识别,以确定所述待检测图像中存在的至少一个文字和所述至少一个文字的文本属性;
文本参数确定单元,配置成基于所述至少一个文字的文本属性确定所述待检测图像中的至少一个文本参数;以及
分类单元,配置成基于所述至少一个文本参数对所述待检测图像进行分类。
12.如权利要求11所述的图像处理装置,其中,所述文本参数包括以下各项中的至少一项:
所述待检测图像中的文字覆盖参数、显著文字覆盖参数和显著段落覆盖参数。
13.如权利要求11-12任一项所述的图像处理装置,其中,所述分类单元被进一步配置成:
基于所述至少一个文本参数中每个文本参数和相应的文本参数阈值之间的比较结果对所述待检测图像进行分类。
14.如权利要求13所述的图像处理装置,其中,基于所述至少一个文本参数中每个文本参数和相应的文本参数阈值之间的比较结果对所述待检测图像进行分类包括:
响应于所述比较结果指示所述至少一个文本参数中每个文本参数大于或等于相应的文本参数阈值,确定所述待检测图像是显著图像;以及
响应于所述比较结果指示所述至少一个文本参数中每个文本参数小于相应的文本参数阈值,确定所述待检测图像是非显著图像。
15.如权利要求11所述的图像处理装置,其中,所述文本属性包括以下各项:
所述至少一个文字的文字数量;
每个文字的文字尺寸;
每个文字的文字位置;以及
每个文字的文字颜色。
16.一种电子设备,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指令,所述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权利要求1-10中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
18.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858355.4A CN113591972A (zh) | 2021-07-28 | 2021-07-28 | 图像处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858355.4A CN113591972A (zh) | 2021-07-28 | 2021-07-28 | 图像处理方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591972A true CN113591972A (zh) | 2021-11-02 |
Family
ID=78251206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858355.4A Pending CN113591972A (zh) | 2021-07-28 | 2021-07-28 | 图像处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591972A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040010758A1 (en) * | 2002-07-12 | 2004-01-15 | Prateek Sarkar | Systems and methods for triage of passages of text output from an OCR system |
US20080235578A1 (en) * | 2007-03-23 | 2008-09-25 | Sony Ericsson Mobile Communications Ab | Inline editing of web page input fields using a visibly prominent field |
CN106295627A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 用于识别文字牛皮癣图片的方法及装置 |
CN109543058A (zh) * | 2018-11-23 | 2019-03-29 | 连尚(新昌)网络科技有限公司 | 用于检测图像的方法、电子设备和计算机可读介质 |
US20200089771A1 (en) * | 2018-09-18 | 2020-03-19 | Sap Se | Computer systems for classifying multilingual text |
WO2021036715A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图文融合方法、装置及电子设备 |
CN112818972A (zh) * | 2020-12-25 | 2021-05-18 | 北京百度网讯科技有限公司 | 兴趣点图像的检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110858355.4A patent/CN113591972A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040010758A1 (en) * | 2002-07-12 | 2004-01-15 | Prateek Sarkar | Systems and methods for triage of passages of text output from an OCR system |
US20080235578A1 (en) * | 2007-03-23 | 2008-09-25 | Sony Ericsson Mobile Communications Ab | Inline editing of web page input fields using a visibly prominent field |
CN106295627A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 用于识别文字牛皮癣图片的方法及装置 |
US20200089771A1 (en) * | 2018-09-18 | 2020-03-19 | Sap Se | Computer systems for classifying multilingual text |
CN109543058A (zh) * | 2018-11-23 | 2019-03-29 | 连尚(新昌)网络科技有限公司 | 用于检测图像的方法、电子设备和计算机可读介质 |
WO2021036715A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图文融合方法、装置及电子设备 |
CN112818972A (zh) * | 2020-12-25 | 2021-05-18 | 北京百度网讯科技有限公司 | 兴趣点图像的检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
CHAO JIA等: "Image Significance Region Detection Based on Global Color Clustering and Contrast", IEEE XPLORE, 17 October 2019 (2019-10-17) * |
姜维;卢朝阳;李静;刘晓佩;姚超;: "基于视觉显著性与文字置信图的场景文字的背景抑制方法", 电子学报, no. 01, 15 January 2015 (2015-01-15) * |
李翌昕;马尽文;: "文本检测算法的发展与挑战", 信号处理, no. 04, 25 April 2017 (2017-04-25) * |
耿技 等: "基于文本区域特征的图像型垃圾邮件过滤算法", 《计算机应用》, pages 1 - 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114155543B (zh) | 神经网络训练方法、文档图像理解方法、装置和设备 | |
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
US11295495B2 (en) | Automatic positioning of textual content within digital images | |
CN115422389B (zh) | 处理文本图像的方法及装置、神经网络的训练方法 | |
CN115438214B (zh) | 处理文本图像的方法及装置、神经网络的训练方法 | |
US20230252639A1 (en) | Image segmentation system | |
CN112836072A (zh) | 信息展示方法及装置、电子设备和介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN114663902B (zh) | 文档图像处理方法、装置、设备和介质 | |
CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN113076480B (zh) | 页面推荐方法、装置、电子设备及介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN113591972A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113627534A (zh) | 识别动态图像的类型的方法、装置及电子设备 | |
CN114327718A (zh) | 界面展示方法及装置、设备和介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN112861504A (zh) | 文本交互方法、装置、设备、存储介质及程序产品 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN114842474B (zh) | 文字识别方法、装置、电子设备和介质 | |
CN115019048B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、设备 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN113641933B (zh) | 异常网页识别方法、异常站点识别方法及装置 |
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 |