CN113658294B - 图像处理方法、装置及存储介质 - Google Patents
图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113658294B CN113658294B CN202110920127.5A CN202110920127A CN113658294B CN 113658294 B CN113658294 B CN 113658294B CN 202110920127 A CN202110920127 A CN 202110920127A CN 113658294 B CN113658294 B CN 113658294B
- Authority
- CN
- China
- Prior art keywords
- bitmap
- image
- line
- model
- module
- 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 23
- 238000012545 processing Methods 0.000 claims abstract description 230
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 abstract description 13
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/008—Vector quantisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像处理方法、装置及存储介质,属于电子技术领域。具体方案包括:获取第一位图;通过逆滤波处理模型的特征提取模块提取第一位图的第一图像特征;通过逆滤波处理模型的卷积处理模块将第一图像特征与逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将第二图像特征输入逆滤波处理模型的生成模块,得到第二位图;对第二位图进行矢量化处理,得到第一矢量图;其中,该逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,该第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种图像处理方法、装置及存储介质。
背景技术
位图和矢量图是现代计算机平面图形的两大概念,位图是由像素点构成的,因此在放大或缩小时图像可能会失真。矢量图是通过数学公式计算获得的,具有编辑后不失真的特点。因此,在实际应用中,例如地图制作中,经常需要将位图转换为矢量图。
然而,位图边缘处的像素往往较为模糊,因此在将位图转换为矢量图的过程中,会出现因字线边缘灰度渐变而引起的字与字、字与线、线与线的粘连问题,从而无法保证图像的保真度。
发明内容
本申请实施例的目的是提供一种图像处理方法、装置及存储介质,能够解决图像的保真度较低的问题。
第一方面,本申请实施例提供了一种图像处理方法,该方法包括:获取第一位图;通过逆滤波处理模型的特征提取模块提取第一位图的第一图像特征;通过逆滤波处理模型的卷积处理模块将第一图像特征与逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将第二图像特征输入逆滤波处理模型的生成模块,得到第二位图;对第二位图进行矢量化处理,得到第一矢量图;其中,该逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,该第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。
第二方面,本申请实施例提供了一种图像处理装置,包括:获取模块和处理模块。该获取模块,用于获取第一位图。该处理模块,用于通过逆滤波处理模型的特征提取模块提取第一位图的第一图像特征;通过逆滤波处理模型的卷积处理模块将第一图像特征与逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将第二图像特征输入逆滤波处理模型的生成模块,得到第二位图,并对第二位图进行矢量化处理,得到第一矢量图;其中,该逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,该第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。
第三方面,本申请实施例提供了一种图像处理装置,该图像处理装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
在本申请实施例中,可以获取第一位图;并通过逆滤波处理模型的特征提取模块提取第一位图的第一图像特征;通过逆滤波处理模型的卷积处理模块将第一图像特征与逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将第二图像特征输入逆滤波处理模型的生成模块,得到第二位图;以及对第二位图进行矢量化处理,得到第一矢量图;其中,该逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,该第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。通过该方案,由于可以通过逆滤波处理模型得到图像轮廓清晰度较高的第二位图,因此,根据第二位图转换得到的第一矢量图,可以避免因字线边缘灰度渐变而引起的字与字、字与线、线与线的粘连问题,转换得到的矢量图可以进行无损放大,因此提高了图像的保真度。
附图说明
图1是本申请实施例提供的图像处理系统的示意图;
图2是本申请实施例提供的图像处理方法的示意图之一;
图3是本申请实施例提供的图像处理方法的示意图之二;
图4是本申请实施例提供的图像处理方法的示意图之三;
图5是本申请实施例提供的图像处理装置的结构示意图;
图6是本申请实施例提供的图像处理装置的硬件示意图之一;
图7是本申请实施例提供的图像处理装置的硬件示意图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的图像处理方法进行详细地说明。
如图1所示,本申请实施例提供了一种图像处理系统,包括图像处理装置,该图像处理装置可以用于采集位图,并将采集的位图进行轮廓清晰度处理后,转换为矢量图。
可选地,上述图像处理系统还可以包括电子设备,在图像处理系统包括电子设备的情况下,该电子设备可以用于采集位图,并将位图传输到图像处理装置,该图像处理装置可以用于将获取的位图转换为矢量图,并将得到的矢量图发送至电子设备。
如图2所示,本申请实施例提供了一种图像处理方法,可以应用于上述图像处理装置,该方法可以包括步骤201-203。
步骤201、图像处理装置获取第一位图。
可选地,图像处理装置获取第一位图可以包括:接收来自电子设备的第三位图,并对第三位图进行灰度化处理,得到第一位图。或者,接收来自电子设备的第一位图,该电子设备可以用于采集第三位图,并将第三位图进行灰度化处理,得到第一位图。
具体的,图像处理装置可以通过两种方式获取第一位图。一种方式为,电子设备可以采用环状采样或片式采样的方式采集第三位图,并将该第三位图发送至图像处理装置,图像处理装置接收来自电子设备的第三位图后,可以对第三位图进行灰度化处理,从而得到第一位图。如此,电子设备只需要采集并发送位图,因此可以缓解电子设备的数据处理压力。另一种方式为,电子设备可以采集第三位图,并将第三位图进行灰度化处理,从而得到第一位图,然后将第一位图发送至图像处理装置,使得图像处理装置获取到第一位图。如此,由于图像处理装置可以直接获取到第一位图,因此可以提高图像处理装置的图像处理效率。
需要说明的是,由于在对位图进行矢量化处理的过程中,位图的色彩与最终得到的矢量图之间没有联系,因此,对第三位图进行灰度化处理得到第一位图,可以去除位图中的冗余信息,从而提高图像处理的精准度。
可选地,上述第三位图可以包括多个子位图,电子设备可以以子位图为单位采集第三位图。在电子设备将第三位图发送至图像处理装置之前,电子设备可以按照采集顺序,对多个子位图进行编号,一个子位图对应一个顺序标识,图像处理装置或电子设备可以根据该顺序标识将多个子位图组合成第三位图。
步骤202、图像处理装置通过逆滤波处理模型的特征提取模块提取第一位图的第一图像特征;通过逆滤波处理模型的卷积处理模块将第一图像特征与逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将第二图像特征输入逆滤波处理模型的生成模块,得到第二位图。
其中,上述逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,上述图像特征可以包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,上述第二位图的图像轮廓清晰度大于上述第一位图的图像轮廓清晰度。
可选地,图像处理装置可以获取数据集,该数据集包括训练数据集和测试数据集。之后,图像处理装置可以通过训练数据集训练逆滤波处理模型,通过测试数据集检验逆滤波处理模型的训练效果。其中,数据集中的每条数据都包括同一图像轮廓的至少两个图像轮廓清晰度的位图。
具体的,以目标数据为例,该目标数据可以包括第一图像轮廓清晰度的位图和第二图像轮廓清晰度的位图,其中,第一图像轮廓清晰度大于第二图像轮廓清晰度,且这两个位图中的图像轮廓相同。在目标数据为训练数据集中的数据时,图像处理装置可以以第二图像轮廓清晰度的位图为输入,以第一图像轮廓清晰度的位图为输出,训练逆滤波处理模型。在目标数据为测试数据集中的数据时,图像处理装置可以将第二图像轮廓清晰度的位图输入逆滤波处理模型,得到输出位图,然后在输出位图与第一图像轮廓清晰度的位图差距小于预设阈值的情况下,确定逆滤波处理模型训练效果较好,可以应用到实践中;在输出位图与第一图像轮廓清晰度的位图差距不小于预设阈值的情况下,确定逆滤波处理模型训练效果较差,还需要继续对逆滤波处理模型进行训练。
可选地,上述逆滤波处理模型可以包括特征提取模块、卷积处理模块和生成模块。具体的,图像处理装置可以通过特征提取模块提取第一位图的第一图像特征;然后,若提取到第一图像特征,则通过卷积处理模块将提取的第一图像特征与逆滤波处理模型的模型参数进行卷积处理,即第一图像特征与模型参数相乘之后再求和,得到第二图像特征,通过生成模块基于第二图像特征生成第二位图;若未提取到第一图像特征,则说明第一位图的图像轮廓清晰度符合标准,无需进行处理。
需要说明的是,由于图像轮廓清晰度较差的位图和图像轮廓清晰度较好的位图在离散余弦变换(DCT)系数上的统计特征有非常大的差异,因此,在对位图进行DCT变换后,可以提取位图的频率域内统计特征,并将频率域内统计特征确定为图像特征。由于图像轮廓清晰度较差的位图和图像轮廓清晰度较好的位图的直方图频率分布以及峰值存在较大差异,因此可以将峰度系数特征确定为图像特征。由于图像轮廓清晰度较差的位图和图像轮廓清晰度较好的位图的饱和度差异较大,因此,可以将颜色饱和特征确定为图像特征。
步骤203、图像处理装置对第二位图进行矢量化处理,得到第一矢量图。
图像处理装置可以将第二位图制备成光栅文件插入到图像文件中,并识别需要扩大的部分,对需要扩大的部分进行定位锚点,锚定矢量图像,最后删除光栅文件得到第一矢量图。其中,锚定矢量图像包括对定位的线条轮廓进行矢量拟合,例如,可以用已知的矢量线条(直线、圆弧或折线)对定位的线条轮廓进行矢量拟合,在矢量化过程中包含对直线、圆弧和折线的后处理。矢量化过程的后处理包括对圆的合并、圆弧合成圆以及边缘的光滑化。
在本申请实施例中,由于可以通过逆滤波处理模型得到图像轮廓清晰度较高的第二位图,因此,根据第二位图转换得到的第一矢量图,可以避免因字线边缘灰度渐变而引起的字与字、字与线、线与线的粘连问题,转换得到的矢量图可以进行无损放大,因此提高了图像的保真度。
可选地,结合图2,如图3所示,在得到第一矢量图之后,上述方法还可以包括步骤204和步骤205,步骤205包括步骤205a和步骤205b:
步骤204、图像处理装置将第一矢量图中的第一线条和第一位图中与第一线条位置对应的第二线条拉伸放大后,进行对比。
在得到第一矢量图后,图像处理装置可以对转换效果进行检验。具体的,图像处理装置可以对第一矢量图中的线条和第一位图中对应位置的线条进行拉伸放大,以使线条特征更加明显,之后,再将拉伸放大的线条进行对比。
可选地,图像处理装置可以对第一矢量图中的所有线条和第一位图中的所有线条拉伸放大后,再进行对比,也可以只选择边缘区域的线条拉伸放大后,再进行对比。在对第一矢量图中的所有线条和第一位图中的所有线条拉伸放大后,进行对比的情况下,图像处理装置可以先将第一矢量图划分为多个区域,然后,依次对每个区域的线条拉伸放大后进行对比,如此,不仅可以提高图像处理装置的运行效率,也可以更容易发现存在问题的区域。
示例性的,以第一矢量图包括线条11,第一位图包括线条21为例,其中,线条11在第一矢量图中的位置与线条21在第一位图中的位置相同。图像处理装置可以将线条11和线条21拉伸放大预设比例,然后将拉伸放大后的两个线条进行精准度对比。
可选地,在将第一矢量图中的线条和第一位图中的线条拉伸放大后进行对比之前,图像处理装置可以先将第一位图转化到HSV格式下,其中,HSV格式是按色彩、深浅、明暗记录图像色彩的格式,然后,通过调整第一位图的深浅灰度来改变第一位图的色彩饱和度,使第一位图恢复为第三位图的显示效果。也就是说,图像处理装置可以将第一矢量图中的线条和第三位图中的线条拉伸放大后进行对比,如此,可以更明显的确定图像处理前后的区别。
步骤205a、在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差小于第一阈值的情况下,图像处理装置输出第一矢量图合格的提示信息。
其中,上述精准度可以根据以下至少一项确定:线条长度、线条曲率和线条两端点的间距。
通过拉伸放大处理后,基于线条边缘灰度的影响,线条的精准度可能会发生变化,例如,线条的曲率可能会减小。因此,在分别确定第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度后,若第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差小于第一阈值,则说明矢量化后的图像没有失真,因此图像处理装置可以输出第一矢量图合格的提示信息。
步骤205b、在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差不小于第一阈值的情况下,图像处理装置输出第一矢量图不合格的提示信息。
在分别确定第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度后,若第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差不小于第一阈值,则说明矢量化后的图像失真,因此图像处理装置可以输出第一矢量图不合格的提示信息。用户在看到图像处理装置输出第一矢量图不合格的提示信息后,可以触发图像处理装置重新对步骤201获取的位图进行处理。
在本申请实施例中,由于可以对第一矢量图中的线条和第一位图中相同位置的线条进行拉伸后对比,因此,可以检验第一矢量图是否失真,从而确定是否需要重新进行图像处理。
可选地,结合图2,如图4所示,在将第一位图输入逆滤波处理模型之前,上述方法还可以包括步骤206-207,上述步骤202具体可以通过下述步骤202a实现:
步骤206、图像处理装置获取逆滤波处理模型的模型参数。
在对逆滤波处理模型进行训练时,如果逆滤波处理模型的输出位图与测试数据集中的位图基本一致,那么就会使得测试数据变得过于严格,从而导致逆滤波处理模型出现过拟合问题,而逆滤波处理模型过于拟合会对图像特征的处理出现影响。因此,图像处理装置可以获取逆滤波处理模型的模型参数,并根据逆滤波处理模型的模型参数确定逆滤波处理模型是否存在过于拟合的问题。
可选地,图像处理装置可以获取至少一个对比例,每个对比例中都包括一个输入位图和一个输出位图,之后,图像处理装置可以将该至少一个对比例输入到逆滤波处理模型中,从而得到逆滤波处理模型的模型参数。
步骤207、在模型参数大于第二阈值的情况下,图像处理装置对模型参数进行重新调整。
可选地,上述第二阈值可以包括多个子阈值,一个子阈值可以对应一种参数,若模型参数中存在至少一种参数大于其对应的子阈值,则可以认为逆滤波处理模型存在过于拟合的问题,图像处理装置需要对模型参数进行重新调整。
步骤202a、在模型参数不大于第二阈值的情况下,将第一位图输入逆滤波处理模型。
若模型参数中不存在任何一种参数大于其对应的子阈值,即模型参数不大于第二阈值,则可以认为逆滤波处理模型不存在过于拟合的问题,因此可以将第一位图输入该逆滤波处理模型。
在本申请实施例中,由于可以根据逆滤波处理模型的模型参数和第二阈值之间的大小关系,确定逆滤波处理模型是否存在过于拟合的问题,因此,可以保证逆滤波处理模型的可靠性,从而保证图像处理的可靠性。
需要说明的是,本申请实施例提供的图像处理方法,执行主体可以为图像处理装置,或者该图像处理装置中的用于执行图像处理方法的控制模块。本申请实施例中以图像处理装置执行图像处理方法为例,说明本申请实施例提供的图像处理装置。
如图5所示,本申请实施例还提供一种图像处理装置500,包括:获取模块501和处理模块502。获取模块501,可以用于获取第一位图。处理模块502,可以用于通过所述逆滤波处理模型的特征提取模块提取所述第一位图的第一图像特征;通过所述逆滤波处理模型的卷积处理模块将所述第一图像特征与所述逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将所述第二图像特征输入所述逆滤波处理模型的生成模块,得到第二位图;并对第二位图进行矢量化处理,得到第一矢量图;其中,逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。
可选地,继续参考图5,上述装置500还可以包括输出模块503。处理模块502,还可以用于在得到第一矢量图之后,将第一矢量图中的第一线条和第一位图中与第一线条位置对应的第二线条拉伸放大后,进行对比。输出模块503,可以用于在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差小于第一阈值的情况下,输出第一矢量图合格的提示信息;在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差不小于第一阈值的情况下,输出第一矢量图不合格的提示信息;其中,精准度可以根据以下至少一项确定:线条长度、线条曲率和线条两端点的间距。
可选地,上述获取模块501,还可以用于获取逆滤波处理模型的模型参数。处理模块502,还可以用于在所述模型参数大于第二阈值的情况下,对所述模型参数进行重新调整;在所述模型参数不大于所述第二阈值的情况下,将所述第一位图输入所述逆滤波处理模型。
可选地,继续参考图5,上述装置500还可以包括接收模块504。接收模块504,可以用于接收来自电子设备的第三位图。处理模块502,还可以用于对第三位图进行灰度化处理,得到第一位图;或者,接收模块504,可以用于接收来自电子设备的第一位图,电子设备可以用于采集第三位图,并将第三位图进行灰度化处理,得到第一位图。
在本申请实施例中,由于可以通过逆滤波处理模型得到图像轮廓清晰度较高的第二位图,因此,根据第二位图转换得到的第一矢量图,可以避免因字线边缘灰度渐变而引起的字与字、字与线、线与线的粘连问题,转换得到的矢量图可以进行无损放大,因此提高了图像的保真度。
本申请实施例中的图像处理装置可以是装置,也可以是图像处理装置中的部件、集成电路、或芯片。
本申请实施例中的图像处理装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的图像处理装置能够实现图1至图4的方法实施例实现的各个过程,为避免重复,这里不再赘述。
可选地,如图6所示,本申请实施例还提供一种图像处理装置600,包括处理器601,存储器602,存储在存储器602上并可在所述处理器601上运行的程序或指令,该程序或指令被处理器601执行时实现上述图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图7为实现本申请实施例的一种图像处理装置的硬件结构示意图。
该图像处理装置1000包括但不限于:射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
本领域技术人员可以理解,图像处理装置1000还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的图像处理装置结构并不构成对图像处理装置的限定,图像处理装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
其中,射频单元1001,可以用于获取第一位图。
处理器1010,可以用于通过所述逆滤波处理模型的特征提取模块提取所述第一位图的第一图像特征;通过所述逆滤波处理模型的卷积处理模块将所述第一图像特征与所述逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将所述第二图像特征输入所述逆滤波处理模型的生成模块,得到第二位图;并对第二位图进行矢量化处理,得到第一矢量图;其中,逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,第二位图的图像轮廓清晰度大于第一位图的图像轮廓清晰度。
在本申请实施例中,由于可以通过逆滤波处理模型得到图像轮廓清晰度较高的第二位图,因此,根据第二位图转换得到的第一矢量图,可以避免因字线边缘灰度渐变而引起的字与字、字与线、线与线的粘连问题,转换得到的矢量图可以进行无损放大,因此提高了图像的保真度。
可选地,处理器1010,还可以用于在得到第一矢量图之后,将第一矢量图中的第一线条和第一位图中与第一线条位置对应的第二线条拉伸放大后,进行对比。
音频输出单元1003,可以用于在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差小于第一阈值的情况下,输出第一矢量图合格的提示信息;在第一线条拉伸放大后的精准度与第二线条拉伸放大后的精准度之间的差不小于第一阈值的情况下,输出第一矢量图不合格的提示信息;其中,精准度可以根据以下至少一项确定:线条长度、线条曲率和线条两端点的间距。
在本申请实施例中,由于可以对第一矢量图中的线条和第一位图中相同位置的线条进行拉伸对比,因此,可以检验第一矢量图是否失真,从而确定是否需要重新进行图像处理。
可选地,上述射频单元1001,还可以用于获取逆滤波处理模型的模型参数。
处理器1010,还可以用于在所述模型参数大于第二阈值的情况下,对所述模型参数进行重新调整;在所述模型参数不大于所述第二阈值的情况下,将所述第一位图输入所述逆滤波处理模型。
在本申请实施例中,由于可以根据逆滤波处理模型的模型参数和第二阈值之间的大小关系,确定逆滤波处理模型是否存在过于拟合的问题,因此,可以保证逆滤波处理模型的可靠性,从而保证图像处理的可靠性。
可选地,网络模块1002,可以用于接收来自电子设备的第三位图。
处理器1010,还可以用于对第三位图进行灰度化处理,得到第一位图;或者,网络模块1002,可以用于接收来自电子设备的第一位图,电子设备可以用于采集第三位图,并将第三位图进行灰度化处理,得到第一位图。
在本申请实施例中,由于在对位图进行矢量化处理的过程中,位图的色彩与最终得到的矢量图之间没有联系,因此,对第三位图进行灰度化处理得到第一位图,可以去除位图中的冗余信息,从而提高图像处理的精准度。
应理解的是,本申请实施例中,输入单元1004可以包括图形处理器(GraphicsProcessing Unit,GPU)10041和麦克风10042,图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071,也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。存储器1009可用于存储软件程序以及各种数据,包括但不限于应用程序和操作系统。处理器1010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1010中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的图像处理装置中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取第一位图,将所述第一位图输入逆滤波处理模型;
通过所述逆滤波处理模型的特征提取模块提取所述第一位图的第一图像特征;通过所述逆滤波处理模型的卷积处理模块将所述第一图像特征与所述逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;
将所述第二图像特征输入所述逆滤波处理模型的生成模块,得到第二位图;
对所述第二位图进行矢量化处理,得到第一矢量图;
其中,所述逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,所述图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,所述第二位图的图像轮廓清晰度大于所述第一位图的图像轮廓清晰度。
2.根据权利要求1所述的图像处理方法,其特征在于,所述得到第一矢量图之后,所述方法还包括:
将所述第一矢量图中的第一线条和所述第一位图中与所述第一线条位置对应的第二线条拉伸放大后,进行对比;
在所述第一线条拉伸放大后的精准度与所述第二线条拉伸放大后的精准度之间的差小于第一阈值的情况下,输出所述第一矢量图合格的提示信息;
在所述第一线条拉伸放大后的精准度与所述第二线条拉伸放大后的精准度之间的差不小于所述第一阈值的情况下,输出所述第一矢量图不合格的提示信息;
其中,所述精准度根据以下至少一项确定:线条长度、线条曲率和线条两端点的间距。
3.根据权利要求1或2所述的图像处理方法,其特征在于,所述将所述第一位图输入逆滤波处理模型之前,所述方法还包括:
获取所述逆滤波处理模型的模型参数;
在所述模型参数大于第二阈值的情况下,对所述模型参数进行重新调整;
所述将所述第一位图输入逆滤波处理模型,包括:
在所述模型参数不大于所述第二阈值的情况下,将所述第一位图输入所述逆滤波处理模型。
4.根据权利要求1或2所述的图像处理方法,其特征在于,所述获取第一位图包括:
接收来自电子设备的第三位图,并对所述第三位图进行灰度化处理,得到所述第一位图;或者,
接收来自电子设备的所述第一位图,所述电子设备用于采集第三位图,并将所述第三位图进行灰度化处理,得到所述第一位图。
5.一种图像处理装置,其特征在于,包括:获取模块和处理模块;
所述获取模块,用于获取第一位图;
所述处理模块,用于将所述第一位图输入逆滤波处理模型,通过所述逆滤波处理模型的特征提取模块提取所述第一位图的第一图像特征;通过所述逆滤波处理模型的卷积处理模块将所述第一图像特征与所述逆滤波处理模型的模型参数进行卷积处理,得到第二图像特征;将所述第二图像特征输入所述逆滤波处理模型的生成模块,得到第二位图;并对所述第二位图进行矢量化处理,得到第一矢量图;
其中,所述逆滤波处理模型是基于图像轮廓清晰度不同的位图训练得到的,所述图像特征包括以下至少一项:频率域内统计特征、峰度系数特征和颜色饱和特征,所述第二位图的图像轮廓清晰度大于所述第一位图的图像轮廓清晰度。
6.根据权利要求5所述的图像处理装置,其特征在于,所述装置还包括输出模块;
所述处理模块,还用于在得到所述第一矢量图之后,将所述第一矢量图中的第一线条和所述第一位图中与所述第一线条位置对应的第二线条拉伸放大后,进行对比;
所述输出模块,用于在所述第一线条拉伸放大后的精准度与所述第二线条拉伸放大后的精准度之间的差小于第一阈值的情况下,输出所述第一矢量图合格的提示信息;在所述第一线条拉伸放大后的精准度与所述第二线条拉伸放大后的精准度之间的差不小于所述第一阈值的情况下,输出所述第一矢量图不合格的提示信息;
其中,所述精准度根据以下至少一项确定:线条长度、线条曲率和线条两端点的间距。
7.根据权利要求5或6所述的图像处理装置,其特征在于,
所述获取模块还用于获取所述逆滤波处理模型的模型参数;
所述处理模块,还用于在所述模型参数大于第二阈值的情况下,对所述模型参数进行重新调整;在所述模型参数不大于所述第二阈值的情况下,将所述第一位图输入所述逆滤波处理模型。
8.根据权利要求5或6所述的图像处理装置,其特征在于,所述装置包括接收模块;
所述接收模块,用于接收来自电子设备的第三位图;
所述处理模块,还用于对所述第三位图进行灰度化处理,得到所述第一位图;
或者,
所述接收模块,用于接收来自电子设备的第一位图,所述电子设备用于采集第三位图,并将所述第三位图进行灰度化处理,得到所述第一位图。
9.一种图像处理装置,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-4任一项所述的图像处理方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-4任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110920127.5A CN113658294B (zh) | 2021-08-11 | 2021-08-11 | 图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110920127.5A CN113658294B (zh) | 2021-08-11 | 2021-08-11 | 图像处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658294A CN113658294A (zh) | 2021-11-16 |
CN113658294B true CN113658294B (zh) | 2023-08-01 |
Family
ID=78491447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110920127.5A Active CN113658294B (zh) | 2021-08-11 | 2021-08-11 | 图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658294B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006634A (ja) * | 2001-06-18 | 2003-01-10 | Minolta Co Ltd | 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2010062956A (ja) * | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フィルタリング処理装置及びフィルタリング処理方法 |
CN112347288A (zh) * | 2020-11-10 | 2021-02-09 | 北京北大方正电子有限公司 | 一种字图的矢量化方法 |
CN112435273A (zh) * | 2020-12-10 | 2021-03-02 | 四川创智联恒科技有限公司 | 一种将位图转换为矢量图的方法 |
CN112991203A (zh) * | 2021-03-08 | 2021-06-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-11 CN CN202110920127.5A patent/CN113658294B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006634A (ja) * | 2001-06-18 | 2003-01-10 | Minolta Co Ltd | 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2010062956A (ja) * | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フィルタリング処理装置及びフィルタリング処理方法 |
CN112347288A (zh) * | 2020-11-10 | 2021-02-09 | 北京北大方正电子有限公司 | 一种字图的矢量化方法 |
CN112435273A (zh) * | 2020-12-10 | 2021-03-02 | 四川创智联恒科技有限公司 | 一种将位图转换为矢量图的方法 |
CN112991203A (zh) * | 2021-03-08 | 2021-06-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
图像增强在基于形状特征图像检索中的应用;王金磊等;信息安全与技术(01);全文 * |
基于深度强化学习的图像去模糊方法;王晓红等;包装工程(15);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113658294A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7386181B2 (en) | Image display apparatus | |
CN107172354B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
US9082039B2 (en) | Method and apparatus for recognizing a character based on a photographed image | |
US9767387B2 (en) | Predicting accuracy of object recognition in a stitched image | |
CN110111347B (zh) | 图像标志提取方法、装置及存储介质 | |
US9153013B2 (en) | Image processing apparatus, image processing method and computer readable medium | |
CN104951495A (zh) | 用于管理代表性视频图像的设备和方法 | |
CN112837251B (zh) | 图像处理方法及装置 | |
DE112016005482T5 (de) | Objektdetektion mit adaptiven Kanalmerkmalen | |
CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
CN113658294B (zh) | 图像处理方法、装置及存储介质 | |
CN111507974B (zh) | 缺陷检测方法、装置、缺陷检测设备及计算机存储介质 | |
CN113627423A (zh) | 圆形印章字符识别方法、装置、计算机设备和存储介质 | |
CN110135274B (zh) | 一种基于人脸识别的人流量统计方法 | |
WO2023011280A1 (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 | |
CN112529766B (zh) | 图像的处理方法、装置及电子设备 | |
CN115937039A (zh) | 数据扩充方法、装置、电子设备及可读存储介质 | |
Toet et al. | Efficient contrast enhancement through log-power histogram modification | |
CN113313653A (zh) | 一种基于生成式对抗网络的图像去噪声方法及装置 | |
Reddy et al. | Guided image filtering for image enhancement | |
CN110619362A (zh) | 一种基于感知与像差的视频内容比对方法及装置 | |
CN111353359A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113222936B (zh) | 皮肤图像处理方法、装置、设备以及存储介质 | |
CN115205246B (zh) | 换流阀电晕放电紫外图像特征提取方法和装置 | |
CN109977734B (zh) | 图像处理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |