CN113688850A - 一种图像处理的方法及终端 - Google Patents
一种图像处理的方法及终端 Download PDFInfo
- Publication number
- CN113688850A CN113688850A CN202010406895.4A CN202010406895A CN113688850A CN 113688850 A CN113688850 A CN 113688850A CN 202010406895 A CN202010406895 A CN 202010406895A CN 113688850 A CN113688850 A CN 113688850A
- Authority
- CN
- China
- Prior art keywords
- image
- image set
- images
- value
- preset
- 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 abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010034960 Photophobia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请适用于计算机技术领域，提供了一种图像处理的方法及终端，包括：获取待处理图像集；将所述待处理图像集中的非曝光图像作为第一图像集；根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；检测所述第二图像集中的模糊图像，得到非模糊图像集。上述方式，终端获取待处理图像集，检测待处理图像集中每个图像的特性，快速、准确地检测出待处理图像集中的非曝光图像、相似图像以及模糊图像，进而在对这些图像进行清理时提升了清理图像的速度。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种图像处理的方法及终端。
背景技术
随着终端设备的功能越来越丰富，终端设备中存储的图像也越来越多，每天都有大量的图像数据产生。与此同时，终端设备中也存储了大量的低质量图像以及相似图像；例如，由于拍摄物体运动、相机失焦、光线过亮或者光线过暗，导致拍摄得到的图像模糊、欠曝光或者过曝光。这些图像占用内存大，浪费了终端设备的存储空间。
现有技术中通过分类网络对这些图像进行检测，使用户可快速清理图像。然而，这种检测方法本身占用内存较大，运行速度慢，检测不全面，检测准确率低，不便于用户清理图像。
发明内容
有鉴于此，本申请实施例提供了一种图像处理的方法及终端，以解决现有的检测方法本身占用内存较大，运行速度慢，检测不全面，检测准确率低，导致清理图像速度慢的问题。
本申请实施例的第一方面提供了一种图像处理的方法，包括：
获取待处理图像集；
将所述待处理图像集中的非曝光图像作为第一图像集；
根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
检测所述第二图像集中的模糊图像，得到非模糊图像集。
进一步地，所述将所述待处理图像集中的非曝光图像作为第一图像集包括：
对于所述待处理图像集中的每一图像，基于第一预设比例值缩小所述图像，得到所述图像对应的第一目标图像；
计算所述第一目标图像对应的预设通道的通道值的平均值；
基于所述平均值以及预设的曝光阈值，确定所述待处理图像集中的非曝光图像；
基于所述待处理图像集中的所有所述非曝光图像，生成所述第一图像集。
进一步地，所述计算所述第一目标图像对应的预设通道的通道值的平均值包括：
将所述第一目标图像对应的RGB颜色模式转换为HSV颜色模式；
基于所述HSV颜色模式计算所述第一目标图像对应的V通道的通道值的平均值。
进一步地，所述根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集包括：
对于所述第一图像集中的每一图像，基于第二预设比例值缩小所述图像，得到所述图像对应的第二目标图像；
将每个所述第二目标图像输入神经网络模型进行特征提取处理，得到每个所述第二目标图像对应的特征向量；
基于每个所述特征向量计算所述第一图像集中任意两个图像之间的相似值；
基于所述相似值以及预设相似阈值，确定所述第一图像集中的相似图像；
去除所述第一图像集中的所述相似图像，得到所述第二图像集。
进一步地，所述检测所述第二图像集中的模糊图像，得到非模糊图像集包括：
对于所述第二图像集中的每一图像，基于第三预设比例值缩小所述图像，得到所述图像对应的缩小图像；
计算所述缩小图像对应的模糊值；
基于所述模糊值以及预设模糊阈值，确定所述第二图像集中的模糊图像；
过滤所述第二图像集中的所有所述模糊图像，得到所述非模糊图像集。
进一步地，所述计算所述缩小图像对应的模糊值包括：
基于预设矩阵与所述缩小图像对应的矩阵进行卷积运算，得到所述缩小图像对应的目标矩阵；
基于所述目标矩阵计算所述缩小图像对应的标准差；
基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值。
进一步地，所述预设函数包括非线性激活函数，所述基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值包括：
将所述标准差输入所述非线性激活函数进行计算，得到所述缩小图像对应的模糊值。
进一步地，为了便于用户清理图像，本申请还包括：当接收到图像清理请求时，基于所述图像清理请求中的清理条件清理图像。
本发明实施例的第二方面提供了一种图像处理的终端，该终端包括：
获取单元，用于获取待处理图像集；
第一处理单元，用于将所述待处理图像集中的非曝光图像作为第一图像集；
第二处理单元，用于根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
第三处理单元，用于检测所述第二图像集中的模糊图像，得到非模糊图像集。
进一步地，所述第一处理单元包括：
第一缩小单元，用于对于所述待处理图像集中的每一图像，基于第一预设比例值缩小所述图像，得到所述图像对应的第一目标图像；
计算单元，用于计算所述第一目标图像对应的预设通道的通道值的平均值；
第一确定单元，用于基于所述平均值以及预设的曝光阈值，确定所述待处理图像集中的非曝光图像；
第一过滤单元，用于基于所述待处理图像集中的所有所述非曝光图像，生成所述第一图像集。
进一步地，所述计算单元具体用于：
将所述第一目标图像对应的RGB颜色模式转换为HSV颜色模式；
基于所述HSV颜色模式计算所述第一目标图像对应的V通道的通道值的平均值。
进一步地，所述第二处理单元具体用于：
对于所述第一图像集中的每一图像，基于第二预设比例值缩小所述图像，得到所述图像对应的第二目标图像；
将每个所述第二目标图像输入神经网络模型进行特征提取处理，得到每个所述第二目标图像对应的特征向量；
基于每个所述特征向量计算所述第一图像集中任意两个图像之间的相似值；
基于所述相似值以及预设相似阈值，确定所述第一图像集中的相似图像；
去除所述第一图像集中的所述相似图像，得到所述第二图像集。
进一步地，所述第三处理单元包括：
第二缩小单元，用于对于所述第二图像集中的每一图像，基于第三预设比例值缩小所述图像，得到所述图像对应的缩小图像；
模糊值计算单元，用于计算所述缩小图像对应的模糊值；
第二确定单元，用于基于所述模糊值以及预设模糊阈值，确定所述第二图像集中的模糊图像；
第二过滤单元，用于过滤所述第二图像集中的所有所述模糊图像，得到所述非模糊图像集。
进一步地，所述模糊值计算单元包括：
卷积运算单元，用于基于预设矩阵与所述缩小图像对应的矩阵进行卷积运算，得到所述缩小图像对应的目标矩阵；
标准差计算单元，用于基于所述目标矩阵计算所述缩小图像对应的标准差；
映射单元，用于基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值。
进一步地，所述预设函数包括非线性激活函数，所述映射单元具体用于：将所述标准差输入所述非线性激活函数进行计算，得到所述缩小图像对应的模糊值。
进一步地，所述终端还包括：
清理单元，用于当接收到图像清理请求时，基于所述图像清理请求中的清理条件清理图像。
本发明实施例的第三方面提供了另一种图像处理的终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
获取待处理图像集；
将所述待处理图像集中的非曝光图像作为第一图像集；
根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
检测所述第二图像集中的模糊图像，得到非模糊图像集。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理图像集；
将所述待处理图像集中的非曝光图像作为第一图像集；
根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
检测所述第二图像集中的模糊图像，得到非模糊图像集。
本申请实施例提供的一种图像处理的方法及终端具有以下有益效果：
本申请实施例，终端获取待处理图像集；将所述待处理图像集中的非曝光图像作为第一图像集；根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；检测所述第二图像集中的模糊图像，得到非模糊图像集。上述方式，终端获取待处理图像集，检测待处理图像集中每个图像的特性，快速、准确地检测出待处理图像集中的非曝光图像、相似图像以及模糊图像，进而在对这些图像进行清理时提升了清理图像的速度。这种检测方法本身占用内存小，运行速度快，加快了图像检测的速度；且这种检测方法检测更全面，可快速、准确地检测到各种类型的图像，满足用户不同的需求；进一步地，这种检测方法提升了检测的准确率，进而在清理图像时提升了清理图像的速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种图像处理的方法的实现流程图；
图2是本申请提供的神经网络模型示意图；
图3是本申请另一实施例提供的一种图像处理的方法的实现流程图；
图4是本申请一实施例提供的一种图像处理的终端的示意图；
图5是本申请另一实施例提供的一种图像处理的终端的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参见图1，图1是本发明实施例提供的一种图像处理的方法的示意流程图。本实施例中图像处理的方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，还可以包括台式电脑等终端。如图1所示的图像处理的方法可包括：
S101：获取待处理图像集。
终端获取待处理图像集。具体地，可以是终端在检测到检测图像指令时，获取待处理图像集。检测图像指令可以由用户触发，如用户点击终端中的检测选项。待处理图像集是由多个需要被处理的图像组成的集合，终端可对待处理图像集中的图像进行检测，例如，检测图像中的过曝光图像、欠曝光图像、相似图像、模糊图像等。待处理图像集可以是终端中的图库缩略图；也可以是用户上传至终端的待处理图像集；此处仅为示例性说明，对此不做限定。
S102：将所述待处理图像集中的非曝光图像作为第一图像集。
非曝光图像与曝光图像相对应，曝光图像可以包括过曝光图像、欠曝光图像；其中，过曝光图像是拍摄图像时底片的感光度太高或闪光灯光线太强或曝光时间过长得到的图像；欠曝光图像是指拍摄图像时底片的感光度太低或闪光灯光线太暗或曝光时间过短得到的图像。待处理图像集中去除曝光图像后剩余的图像为非曝光图像，即第一图像集由非曝光图像组成。
终端检测待处理图像集中的过曝光图像和/或欠曝光图像，从待处理图像集中过滤检测到的过曝光图像和/或欠曝光图像，得到第一图像集；具体地，终端按照预设比例将待处理图像集中的图像缩小，得到待处理图像集中的图像对应的第一目标图像；获取第一目标图像对应的RGB颜色模式，将第一目标图像的颜色模式由RGB转为HSV；此时，对转换颜色模式后的图像进行通道拆分，计算并记录第一目标图像对应的V通道的通道值的平均值；将第一目标图像对应的平均值与预设的曝光阈值做比较，根据比较结果判断这个平均值对应的图像是否为曝光图像。终端过滤掉待处理图像集中所有的曝光图像，得到第一图像集；即终端过滤掉待处理图像集中的过曝光图像，并过滤掉待处理图像集中的欠曝光图像，剩余的图像组成第一图像集。
进一步地，为了准确地检测到图像是否属于过曝光图像或者欠曝光图像，S102可以包括S1021-S1024，具体如下：
S1021：对于所述待处理图像集中的每一图像，基于第一预设比例值缩小所述图像，得到所述图像对应的第一目标图像。
对于待处理图像集的每一图像，终端基于第一预设比例值缩小这些图像，得到待处理图像集中的图像对应的第一目标图像。第一预设比例值可预先设置，例如第一预设比例值可以为64×64，此处仅为示例性说明，对此不做限定。具体地，终端根据第一预设比例值缩小待处理图像集中的图像，得到待处理图像集中的图像对应的第一目标图像。例如，待处理图像集为图库缩略图时，终端获取图库缩略图中的图像，基于第一预设比例值缩小图库缩略图中的图像，得到比例缩小后的图像。
S1022：计算所述第一目标图像对应的预设通道的通道值的平均值。
终端计算第一目标图像对应的预设通道的通道值的平均值。具体地，终端转换第一目标图像的颜色模式，对转换颜色模式后的第一目标图像进行通道拆分，计算并记录第一目标图像对应的预设通道的通道值的平均值。例如，第一目标图像初始的颜色模式为RGB颜色模式，将第一目标图像的RGB颜色模式转换为HSV颜色模式；对转换为HSV颜色模式的第一目标图像进行通道拆分，计算并记录第一目标图像对应的V通道的通道值的平均值。
进一步地，为了准确、快速地计算第一目标图像对应的平均值，S1022可以包括S10221-S10222，具体如下：
S10221：将所述第一目标图像对应的RGB颜色模式转换为HSV颜色模式。
终端将第一目标图像对应的RGB颜色模式转换为HSV颜色模式。具体地，终端获取第一目标图像对应的RGB颜色模式，基于RGB颜色模式获取第一目标图像在各个通道对应的通道值，基于各个通道值以及通道转换方法将RGB颜色模式转换为HSV颜色模式。例如，可通过以下方法实现颜色模式转换：
R′＝R/255，G′＝G/255，B′＝B/255
Cmax＝max(R′,G′,B′)，Cmin＝min(R′,G′,B′)
Δ＝Cmax-Cmin
V＝Cmax其中，R、G、B分别对应R通道、G通道和B通道；H、S、V分别对应H通道、S通道和V通道。
S10222：基于所述HSV颜色模式计算所述第一目标图像对应的V通道的通道值的平均值。
终端基于HSV颜色模式计算第一目标图像对应的V通道的通道值的平均值。具体地，终端对转换为HSV颜色模式的第一目标图像进行通道拆分，拆分为H通道、S通道以及V通道，计算第一目标图像对应的V通道的通道值的平均值。
S1023：基于所述平均值以及预设的曝光阈值，确定所述待处理图像集中的非曝光图像。
曝光阈值可以包括过曝光阈值和欠曝光阈值；其中，过曝光阈值用于确定待处理图像集中的过曝光图像，欠曝光阈值用于确定待处理图像集中的欠曝光图像。当终端检测出待处理图像集中的过曝光图像以及欠曝光图像后，剩余的图像即为非曝光图像。
当第一目标图像对应的平均值大于或等于过曝光阈值时，该第一目标图像为过曝光图像。过曝光阈值可预先设置，具体地，终端获取预设数量的带有过曝光图像标记或者带有欠曝光图像标记的样本图像，通过S1021-S1022中的方式计算这些样本图像对应的平均值，基于计算得到的这些平均值以及每个样本图像对应的图像标记，设置过曝光阈值。将第一目标图像对应的平均值与预设的过曝光阈值做比较，根据比较结果判断这个平均值对应的图像是否为过曝光图像；当该平均值大于或等于过曝光阈值时，判定该平均值对应的图像为过曝光图像；当该平均值小于过曝光阈值时，比较该平均值与欠曝光阈值之间的大小，根据比较结果判断这个平均值对应的图像是否为欠曝光图像。具体地，终端比较平均值与过曝光阈值之间的大小，当某个图像对应的平均值大于过曝光阈值时，获取这个平均值对应的图像，判定该图像为过曝光图像。例如，过曝光阈值可以设置为245，当某个图像对应的平均值大于245时，判定该图像为过曝光图像。
当第一目标图像对应的平均值小于过曝光阈值且当第一目标图像对应的平均值小于欠曝光阈值时，该第一目标图像为欠曝光图像。
欠曝光阈值可预先设置，设置方式与过曝光阈值类似，此处不再赘述。当该平均值小于过曝光阈值时，比较该平均值与欠曝光阈值之间的大小，根据比较结果判断这个平均值对应的图像是否为欠曝光图像。当该平均值小于过曝光阈值且该平均值小于欠曝光阈值时，该平均值对应的图像为欠曝光图像。具体地，终端比较平均值与欠曝光阈值之间的大小，当某个图像对应的平均值小于欠曝光阈值时，获取这个平均值对应的图像，判定该图像为欠曝光图像。例如，欠曝光阈值可以设置为35，当某个图像对应的平均值小于35时，判定该图像为欠曝光图像。
终端可将待处理图像集中的过曝光图像以及欠曝光图像进行标记，剩余的未标记的图像即为非曝光图像。
S1024：基于所述待处理图像集中的所有所述非曝光图像，生成所述第一图像集。
终端过滤掉待处理图像集中所有的曝光图像，基于剩余的非曝光图像生成第一图像集。即终端过滤掉待处理图像集中的过曝光图像，并过滤掉待处理图像集中的欠曝光图像，剩余的图像组成第一图像集。终端也可对待处理图像集中的曝光图像进行标记，剩余未标记的图像组成第一图像集。第一图像集中的图像均为非曝光图像。
S103：根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集。
终端检测第一图像集中的相似图像，并过滤掉这些相似图像，剩余的图像组成第二图像集。具体地，终端可基于预先训练好的神经网络模型提取第一图像集的图像的特征向量，基于特征向量识别第一图像集中的相似图像。也可以计算第一图像集的图像对应的直方图，基于每个直方图计算第一图像集中任意两个图像之间的相似值；将每个相似值与预设相似阈值做比较，根据比较结果判断这个相似值对应的两个图像是否为相似图像。终端过滤掉第一图像集中的相似图像，剩余的图像组成第二图像集；也可以对第一图像集中的相似图像进行标记，将未标记的图像组成第二图像集。值得说明的是，这里的相似图像中不包含两个相似图像或者多个相似图像中作为对比基础的原始图像。例如，第一图像集包含图像1、图像2、图像3、图像4、图像5，其中，图像1作为对比基础与图像2、图像3、图像4、图像5进行比较，得到图像1与图像2、图像3相似，图像4与图像5均匀第一图像集中的任一图像不相似。则将图像2与图像3标记为相似图像，过滤到该相似图像，剩余的图像1、图像4、图像5组成第二图像集。
进一步地，当基于预先训练好的神经网络模型确定相似图像时，S103可以包括S1031-S1035，具体如下：
S1031：对于所述第一图像集中的每一图像，基于第二预设比例值缩小所述图像，得到所述图像对应的第二目标图像。
终端基于第二预设比例值缩小第一图像集中的每个图像，得到第一图像集中的每个图像对应的第二目标图像。第二预设比例值可预先设置，第二预设比例值可以与第一预设比例值相同，也可不同，对此不做限定。例如第二预设比例值可以为128×128、400×300等。具体地，终端根据第二预设比例值缩小第一图像集中的每个图像，得到第一图像集中的每个图像缩小后的图像，即得到第一图像集中的每个图像对应的第二目标图像。
S1032：将每个所述第二目标图像输入神经网络模型进行特征提取处理，得到每个所述第二目标图像对应的特征向量。
神经网络模型可以由本终端预先训练好，也可以由其他终端预先训练好后将神经网络模型对应的文件移植至本终端中。也就是说，训练该神经网络模型的执行主体与使用该神经网络模型进行特征向量提取的执行主体可以是相同的，也可以是不同的。也可在网络上下载可用于提取图像的特征向量的神经网络模型，对神经网络模型的类型不做限定。
示例性地，神经网络模型可以选取VGG16模型，该模型可包含卷积层、池化层、全连接层以及softmax层。如图2所示，224×224×64表示包含64个卷积核的卷积层(conwolution+ReLU)，这样的卷积层有两层，112×112×128表示包含128个卷积核的卷积层，这样的卷积层有两层，56×56×256表示包含256个卷积核的卷积层，这样的卷积层有三层。依次类推，该模型还包括28×28×512、14×14×512、7×7×512的卷积层，1×1×4096、1×1×1000的全连接层(fully connected+ReLU)，以及最后一层softmax层。其中，每个不同规格的卷积层后都连接有一个池化层(max pooling)，用于缩小图像尺寸。
在本实施例中可通过224×224×64、112×112×128、56×56×256这三种卷积层以及这几种卷积层后的池化层对第二目标图像进行处理。具体地，通过224×224×64卷积层对第二目标图像进行卷积处理，提取特征向量，该卷积层后的池化层缩小第二目标图像的尺寸，112×112×128卷积层对缩小尺寸后的第二目标图像进行卷积处理，以此类推，最终输出通过56×56×256卷积层提取的特征向量。
S1033：基于每个所述特征向量计算所述第一图像集中任意两个图像之间的相似值。
终端基于每个特征向量计算第一图像集中任意两个图像之间的相似值。其中，两个图像之间的相似值可以用两个图像各自对应的特征向量之间的皮尔逊相关系数表示。例如，有20个第二目标图像，终端获取每个第二目标图像对应的特征向量，基于第一个图像对应的特征向量以及第二个图像对应的特征向量计算第一个图像与第二个图像之间的皮尔逊相关系数；进一步计算第一个图像与其余每个图像之间的皮尔逊相关系数；进一步计算第二个图像与其余每个图像之间的皮尔逊相关系数；以同样的方式计算第一图像集中每两个图像之间的皮尔逊相关系数。可通过下式计算两个图像之间的皮尔逊相关系数：
S1034：基于所述相似值以及预设相似阈值，确定所述第一图像集中的相似图像。
预设相似阈值可预先设置，作为判断两个图像之间是否相似的标准。终端比较相似值与预设相似阈值之间的大小，当相似值大于预设相似阈值时，判定相似值对应的两个图像为相似图像；当相似值小于或等于预设相似阈值时，不作处理。当用皮尔逊相关系数表示两个图像之间的相似值时，比较皮尔逊相关系数与预设相似阈值之间的大小，当皮尔逊相关系数大于预设相似阈值时，判定皮尔逊相关系数对应的两个图像为相似图像；当皮尔逊相关系数小于或等于预设相似阈值时，不作处理。例如，预设相似阈值可以设置为0.84，当某个皮尔逊相关系数大于0.84时，判定该皮尔逊相关系数对应的两个图像为相似图像。
S1035：去除所述第一图像集中的所述相似图像，得到所述第二图像集。
终端去除第一图像集中的相似图像，剩余的图像组成第二图像集。终端也可对第一图像集中的所有相似图像进行标记，未标记的图像组成第二图像集。
进一步地，也可以是基于第二预设比例值缩小第一图像集中的每一图像，得到第一图像集中每一图像对应的第二目标图像；计算各个第一目标图像对应的直方图；基于每个直方图计算第一图像集中任意两个图像之间的相似值；比较相似值与预设相似阈值之间的大小，当相似值大于预设相似阈值时，判定相似值对应的两个图像为相似图像；从第一图像集中过滤掉相似图像，得到第二图像集，或者对第一图像集中的相似图像进行标记，将未标记的图像组成第二图像集。
具体地，终端基于第二预设比例值缩小第一图像集中的每个图像，得到第一图像集中的每个图像对应的第二目标图像。通过预设的直方图函数计算每个第二目标图像对应的直方图；也可通过预设程序计算每个第二目标图像对应的直方图。基于每个直方图计算第一图像集中任意两个图像之间的相似值，即终端基于每个直方图计算第一图像集中每两个图像之间的相似值。例如，有10个第二目标图像，终端获取每个第二目标图像对应的直方图，基于第一个图像对应的直方图以及第二个图像对应的直方图计算第一个图像与第二个图像之间的相似值；进一步计算第一个图像与其余每个图像之间的相似值；进一步计算第二个图像与其余每个图像之间的相似值；以同样的方式计算第一图像集中每两个图像之间的相似值。其中，在计算两个图像之间的相似值时，可将第二个图像称为对比图像。例如，终端可通过计算巴式距离来确定图像相似性，具体可通过下式计算两个图像之间的相似值：
预设相似阈值可预先设置，作为判断两个图像之间是否相似的标准。终端比较相似值与预设相似阈值之间的大小，当相似值大于预设相似阈值时，判定相似值对应的两个图像为相似图像；当相似值小于或等于预设相似阈值时，不作处理。例如，预设相似阈值可以设置为0.145，当某个相似值大于0.145时，判定相似值对应的两个图像为相似图像。终端从第一图像集中过滤掉相似图像，得到第二图像集；也可以对第一图像集中的相似图像进行标记，将未标记的图像组成第二图像集。值得说明的是，判定两个图像相似的方法不同时，对预设相似阈值的设定也不相同；例如，前一种方法预设相似阈值可设定为0.84，后一种方法预设相似阈值可设定为0.145，以实际实施情况为准，对此均不作限定。
本实施例中，利用训练好的神经网络模型对图像高层特征的敏感性，有效提取图像中的特征向量，能够对语义相似图像进行有效的检测，基于特征向量计算两个图像之间的皮尔逊相关系数，再将皮尔逊相关系数于预设相似阈值进行比较，确定两个图像是否相似，提高了检测图像相似的准确度。
S104：检测所述第二图像集中的模糊图像，得到非模糊图像集。
终端获取第二图像集，检测并过滤第二图像集中的模糊图像，得到非模糊图像集。第二图像集由第一图像集中过滤掉相似图像后剩余的图像组成。具体地，终端按照预设比例将第二图像集中的每个图像都缩小，得到每个图像对应的缩小图像；计算每个缩小图像对应的模糊值；将每个模糊值与预设模糊阈值做比较，根据比较结果判断这个模糊值对应的图像是否为模糊图像。用同样的方式检测第二图像集中的所有模糊图像，过滤掉这些模糊图像，剩余的图像组成非模糊图像集；；也可以是对第二图像集中的模糊图像进行标记，将未标记的图像组成非模糊图像。
进一步地，为了准确、快速地计算第二图像集中每个图像对应的模糊值，S104可以包括S1041-S1044，具体如下：
S1041：对于所述第二图像集中的每一图像，基于第三预设比例值缩小所述图像，得到所述图像对应的缩小图像。
对于第二图像集中的每一图像，终端基于第三预设比例值缩小第二图像集中的图像，得到第二图像集中的图像对应的缩小图像。第三预设比例值可预先设置，第三预设比例值可以与第一预设比例值、第二预设比例值相同，也可不同，对此不做限定。例如第三预设比例值可以设置为宽高比例为4:3。具体地，终端根据第三预设比例值缩小第二图像集中的图像，得到第二图像集中的图像缩小后的图像，即得到第二图像集中的图像对应的缩小图像。
S1042：计算所述缩小图像对应的模糊值。
终端计算缩小图像对应的模糊值。其中，模糊值可以用于表示缩小图像对应的模糊程度。具体地，终端通过拉普拉斯算子对缩小图像进行边缘梯度，进而计算得到缩小图像对应的模糊值。例如，终端获取缩小图像对应的矩阵，基于预设矩阵与缩小图像对应的矩阵进行卷积运算，得到缩小图像对应的目标矩阵；基于目标矩阵计算缩小图像对应的标准差；基于预设函数映射标准差，得到缩小图像对应的模糊值。
进一步地，为了准确、快速地计算第二图像集中图像对应的模糊值，S1042可以包括S10421-S10423，具体如下：
S10421：基于预设矩阵与所述缩小图像对应的矩阵进行卷积运算，得到所述缩小图像对应的目标矩阵。
终端基于预设矩阵与缩小图像对应的矩阵进行卷积运算，得到缩小图像对应的目标矩阵。具体地，预设矩阵可以为L矩阵，如：
终端将缩小图像对应的矩阵与该L矩阵进行卷积运算，得到缩小图像对应的目标矩阵。
S10422：基于所述目标矩阵计算所述缩小图像对应的标准差。
终端基于目标矩阵计算缩小图像对应的标准差。具体地，可通过D(f)＝∑y∑x|G(x,y)|,(G(x,y)>T)计算缩小图像对应的标准差；其中，D(f)表示累加求和函数，G(x,y)表示图像在该点的灰度坐标值。可理解为根据D(f)分别对(x,y)坐标累加求和，对累加求和的结果求标准差，得到缩小图像对应的标准差。
S10423：基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值。
终端基于预设函数映射标准差，得到缩小图像对应的模糊值。具体地，预设函数可以为非线性激活函数，通过该函数对标准差进行[0，1]范围内的映射，得到缩小图像对应的模糊值。例如，将计算得到的标准差输入非线性激活函数进行计算，得到缩小图像对应的模糊值。
进一步地，预设函数可以包括非线性激活函数，基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值具体包括：将所述标准差输入所述非线性激活函数进行计算，得到所述缩小图像对应的模糊值。
终端将计算得到的标准差输入非线性激活函数进行计算，得到缩小图像对应的模糊值。其中，非线性激活函数指在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。例如，非线性激活函数可以为sigmoid函数
通过该函数对标准差进行[0，1]范围内的映射，得到缩小图像对应的模糊值。例如，将计算得到的标准差作为输入x，计算S(x)，即得到缩小图像对应的模糊值。
S1043：基于所述模糊值以及预设模糊阈值，确定所述第二图像集中的模糊图像。
预设模糊阈值可预先设置，具体地，终端获取预设数量的带有模糊图像标记以及清晰图像标记的样本图像，通过S1041-S1042中的方式计算这些样本图像对应的模糊值，基于计算得到的这些模糊值以及每个样本图像对应的图像标记，设置模糊阈值。例如，将带有清晰图像标记的样本图像对应的模糊值作为模糊阈值的最小参考值，将带有模糊图像标记的样本图像对应的模糊值作为模糊阈值的最大参考值，基于最小参考值以及最大参考值进行调整模糊阈值的大小，得到最终的预设模糊阈值。终端比较模糊值与预设模糊阈值之间的大小，当模糊值大于预设模糊阈值时，判定模糊值对应的图像为模糊图像；当模糊值小于或等于预设模糊阈值时，不做处理。用同样的方式检测出第二图像集中的所有模糊图像。
S1044：过滤所述第二图像集中的所有所述模糊图像，得到所述非模糊图像集。
终端过滤掉第二图像集中所有的模糊图像，剩余的图像组成非模糊图像集。终端也可对第二图像集中的所有模糊图像进行标记，未标记的图像组成非模糊图像集。
本申请实施例，终端获取待处理图像集；将所述待处理图像集中的非曝光图像作为第一图像集；根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；检测所述第二图像集中的模糊图像，得到非模糊图像集。上述方式，终端获取待处理图像集，检测待处理图像集中每个图像的特性，快速、准确地检测出待处理图像集中的非曝光图像、相似图像以及模糊图像，进而在对这些图像进行清理时提升了清理图像的速度。这种检测方法本身占用内存小，运行速度快，加快了图像检测的速度；且这种检测方法检测更全面，可快速、准确地检测到各种类型的图像，满足用户不同的需求；进一步地，终端也可对待处理图像集中的曝光图像、相似图像以及模糊图像分别进行标记，在清理图像时可一键清除这些被标记的图像，提升了清理图像的速度；且这种检测方法可以准确地检测出待处理图像集中的曝光图像、相似图像以及模糊图像，在清理图像时提升了清理准确度。
请参见图3，图3是本发明另一实施例提供的一种图像处理的方法的示意流程图。本实施例中图像处理的方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、个人数字助理等移动终端，还可以包括台式电脑等终端。
本实施例与上一实施例的区别为S205，本实施例中S201-S204与上一实施例中的S101-S104完全相同，具体请参阅上一实施例中S101-S104的相关描述，此处不赘述。
进一步地，为了便于用户清理图像，在S204之后还可包括S205，具体如下：
S205：当接收到图像清理请求时，基于所述图像清理请求中的清理条件清理图像。
具体地，终端在获取到图像清理请求时，获取图像清理请求中的清理条件，根据清理条件清理对应的图像。例如，清理条件为清理过曝光图像时，终端获取检测到的过曝光图像，并删除这些图像；清理条件为清理欠曝光图像时，终端获取检测到的欠曝光图像，并删除这些图像；清理条件为清理曝光图像时，终端获取检测到的过曝光图像以及欠曝光图像，并删除这些图像；清理条件为清理相似图像时，终端获取检测到的相似图像，勾选想要删除的相似图像进行删除。用户也可自行选择勾选哪些相似图像，例如两张被标记为相似图像的图像，用户可勾选其中一张，终端删除选中的这张相似图像；清理条件为清理模糊图像时，终端获取检测到的模糊图像，并删除这些图像。
本申请实施例，终端获取待处理图像集；将所述待处理图像集中的非曝光图像作为第一图像集；根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；检测所述第二图像集中的模糊图像，得到非模糊图像集。这种检测方法本身占用内存小，运行速度快，加快了图像检测的速度；且这种检测方法检测更全面，可快速、准确地检测到各种类型的图像，满足用户不同的需求；进一步地，终端也可对待处理图像集中的曝光图像、相似图像以及模糊图像分别进行标记，在清理图像时可一键清除这些被标记的图像，提升了清理图像的速度；且这种检测方法可以准确地检测出待处理图像集中的曝光图像、相似图像以及模糊图像，在清理图像时提升了清理准确度；进一步地，可根据图像清理请求中的不同清理条件进行图像清理，针对性清理相应的图像，满足了用户的不同需求，加快了图像清理的速度以及图像清理的准确性。
请参见图4，图4是本申请一实施例提供的一种图像处理的终端的示意图。该终端包括的各单元用于执行图1、图3对应的实施例中的各步骤。具体请参阅图1、图3各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，包括：
获取单元310，用于获取待处理图像集；
第一处理单元320，用于将所述待处理图像集中的非曝光图像作为第一图像集；
第二处理单元330，用于根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
第三处理单元340，用于检测所述第二图像集中的模糊图像，得到非模糊图像集。
进一步地，所述第一处理单元320包括：
第一缩小单元，用于对于所述待处理图像集中的每一图像，基于第一预设比例值缩小所述图像，得到所述图像对应的第一目标图像；
计算单元，用于计算所述第一目标图像对应的预设通道的通道值的平均值；
第一确定单元，用于基于所述平均值以及预设的曝光阈值，确定所述待处理图像集中的非曝光图像；
第一过滤单元，用于基于所述待处理图像集中的所有所述非曝光图像，生成所述第一图像集。
进一步地，所述计算单元具体用于：
将所述第一目标图像对应的RGB颜色模式转换为HSV颜色模式；
基于所述HSV颜色模式计算所述第一目标图像对应的V通道的通道值的平均值。
进一步地，所述第二处理单元320具体用于：
对于所述第一图像集中的每一图像，基于第二预设比例值缩小所述图像，得到所述图像对应的第二目标图像；
将每个所述第二目标图像输入神经网络模型进行特征提取处理，得到每个所述第二目标图像对应的特征向量；
基于每个所述特征向量计算所述第一图像集中任意两个图像之间的相似值；
基于所述相似值以及预设相似阈值，确定所述第一图像集中的相似图像；
去除所述第一图像集中的所述相似图像，得到所述第二图像集。
进一步地，所述第三处理单元330包括：
第二缩小单元，用于对于所述第二图像集中的每一图像，基于第三预设比例值缩小所述图像，得到所述图像对应的缩小图像；
模糊值计算单元，用于计算所述缩小图像对应的模糊值；
第二确定单元，用于基于所述模糊值以及预设模糊阈值，确定所述第二图像集中的模糊图像；
第二过滤单元，用于过滤所述第二图像集中的所有所述模糊图像，得到所述非模糊图像集。
进一步地，所述模糊值计算单元包括：
卷积运算单元，用于基于预设矩阵与所述缩小图像对应的矩阵进行卷积运算，得到所述缩小图像对应的目标矩阵；
标准差计算单元，用于基于所述目标矩阵计算所述缩小图像对应的标准差；
映射单元，用于基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值。
进一步地，所述预设函数包括非线性激活函数，所述映射单元具体用于：将所述标准差输入所述非线性激活函数进行计算，得到所述缩小图像对应的模糊值。
进一步地，所述终端还包括：
清理单元，用于当接收到图像清理请求时，基于所述图像清理请求中的清理条件清理图像。
请参见图5，图5是本申请另一实施例提供的一种图像处理的终端的示意图。如图5所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个图像处理的方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器40执行所述计算机可读指令42时实现上述各实施例中各单元的功能，例如图4所示单元310至340功能。
示例性的，所述计算机可读指令42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述终端4中的执行过程。例如，所述计算机可读指令42可以被获取单元、第一处理单元、第二处理单元以及第三处理单元，各单元具体功能如上所述。
所述终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图5仅仅是终端4的示例，并不构成对终端4的限定，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，例如所述终端还可以包括输入输出终端、网络接入终端、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储终端，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机可读指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理的方法，其特征在于，包括：
获取待处理图像集；
将所述待处理图像集中的非曝光图像作为第一图像集；
根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
检测所述第二图像集中的模糊图像，得到非模糊图像集。
2.如权利要求1所述的方法，其特征在于，所述将所述待处理图像集中的非曝光图像作为第一图像集包括：
对于所述待处理图像集中的每一图像，基于第一预设比例值缩小所述图像，得到所述图像对应的第一目标图像；
计算所述第一目标图像对应的预设通道的通道值的平均值；
基于所述平均值以及预设的曝光阈值，确定所述待处理图像集中的非曝光图像；
基于所述待处理图像集中的所有所述非曝光图像，生成所述第一图像集。
3.如权利要求2所述的方法，其特征在于，所述计算所述第一目标图像对应的预设通道的通道值的平均值包括：
将所述第一目标图像对应的RGB颜色模式转换为HSV颜色模式；
基于所述HSV颜色模式计算所述第一目标图像对应的V通道的通道值的平均值。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集包括：
对于所述第一图像集中的每一图像，基于第二预设比例值缩小所述图像，得到所述图像对应的第二目标图像；
将每个所述第二目标图像输入神经网络模型进行特征提取处理，得到每个所述第二目标图像对应的特征向量；
基于每个所述特征向量计算所述第一图像集中任意两个图像之间的相似值；
基于所述相似值以及预设相似阈值，确定所述第一图像集中的相似图像；
去除所述第一图像集中的所述相似图像，得到所述第二图像集。
5.如权利要求1所述的方法，其特征在于，所述检测所述第二图像集中的模糊图像，得到非模糊图像集包括：
对于所述第二图像集中的每一图像，基于第三预设比例值缩小所述图像，得到所述图像对应的缩小图像；
计算所述缩小图像对应的模糊值；
基于所述模糊值以及预设模糊阈值，确定所述第二图像集中的模糊图像；
过滤所述第二图像集中的所有所述模糊图像，得到所述非模糊图像集。
6.如权利要求5所述的方法，其特征在于，所述计算所述缩小图像对应的模糊值包括：
基于预设矩阵与所述缩小图像对应的矩阵进行卷积运算，得到所述缩小图像对应的目标矩阵；
基于所述目标矩阵计算所述缩小图像对应的标准差；
基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值。
7.如权利要求6所述的方法，其特征在于，所述预设函数包括非线性激活函数，所述基于预设函数映射所述标准差，得到所述缩小图像对应的模糊值包括：
将所述标准差输入所述非线性激活函数进行计算，得到所述缩小图像对应的模糊值。
8.如权利要求1-7任一项所述的方法，其特征在于，所述检测所述第二图像集中的模糊图像，得到非模糊图像集之后，还包括：
当接收到图像清理请求时，基于所述图像清理请求中的清理条件清理图像。
9.一种图像处理的终端，其特征在于，包括：
获取单元，用于获取待处理图像集；
第一处理单元，用于将所述待处理图像集中的非曝光图像作为第一图像集；
第二处理单元，用于根据所述第一图像集的图像的特征向量确定所述第一图像集中的相似图像，并去除所述相似图像得到第二图像集；
第三处理单元，用于检测所述第二图像集中的模糊图像，得到非模糊图像集。
10.一种图像处理的终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010406895.4A CN113688850A (zh) | 2020-05-14 | 2020-05-14 | 一种图像处理的方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010406895.4A CN113688850A (zh) | 2020-05-14 | 2020-05-14 | 一种图像处理的方法及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113688850A true CN113688850A (zh) | 2021-11-23 |
Family
ID=78575273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010406895.4A Pending CN113688850A (zh) | 2020-05-14 | 2020-05-14 | 一种图像处理的方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688850A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102598687A (zh) * | 2009-10-10 | 2012-07-18 | 汤姆森特许公司 | 计算视频图像中的模糊的方法和装置 |
| US20140146999A1 (en) * | 2012-11-23 | 2014-05-29 | Institute For Information Industry | Device, method and non-transitory computer readable storage medium for detecting object |
| CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
| CN108830197A (zh) * | 2018-05-31 | 2018-11-16 | 平安医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN109948564A (zh) * | 2019-03-25 | 2019-06-28 | 四川川大智胜软件股份有限公司 | 一种基于有监督深度学习的人脸图像质量分类和评估方法 |
| WO2019140880A1 (zh) * | 2018-01-22 | 2019-07-25 | 深圳壹账通智能科技有限公司 | 屏幕录制方法、计算机可读存储介质、终端设备及装置 |
| CN110109878A (zh) * | 2018-01-10 | 2019-08-09 | 广东欧珀移动通信有限公司 | 相册管理方法、装置、存储介质及电子设备 |
| CN110400312A (zh) * | 2019-07-31 | 2019-11-01 | 北京金山云网络技术有限公司 | 确定图像模糊类型的方法、装置和服务器 |
-
2020
- 2020-05-14 CN CN202010406895.4A patent/CN113688850A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102598687A (zh) * | 2009-10-10 | 2012-07-18 | 汤姆森特许公司 | 计算视频图像中的模糊的方法和装置 |
| US20140146999A1 (en) * | 2012-11-23 | 2014-05-29 | Institute For Information Industry | Device, method and non-transitory computer readable storage medium for detecting object |
| CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
| CN110109878A (zh) * | 2018-01-10 | 2019-08-09 | 广东欧珀移动通信有限公司 | 相册管理方法、装置、存储介质及电子设备 |
| WO2019140880A1 (zh) * | 2018-01-22 | 2019-07-25 | 深圳壹账通智能科技有限公司 | 屏幕录制方法、计算机可读存储介质、终端设备及装置 |
| CN108830197A (zh) * | 2018-05-31 | 2018-11-16 | 平安医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN109948564A (zh) * | 2019-03-25 | 2019-06-28 | 四川川大智胜软件股份有限公司 | 一种基于有监督深度学习的人脸图像质量分类和评估方法 |
| CN110400312A (zh) * | 2019-07-31 | 2019-11-01 | 北京金山云网络技术有限公司 | 确定图像模糊类型的方法、装置和服务器 |
Non-Patent Citations (1)
| Title |
|---|
| 谭琨: "高光谱遥感影像半监督分类研究", 31 January 2014, 中国矿业大学出版社, pages: 47 - 49 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3455782B1 (en) | System and method for detecting plant diseases | |
| CN111460931B (zh) | 基于颜色通道差值图特征的人脸欺骗检测方法及系统 | |
| CN108241645B (zh) | 图像处理方法及装置 | |
| CN110233971B (zh) | 一种拍摄方法及终端、计算机可读存储介质 | |
| CN109376256B (zh) | 图像搜索方法及装置 | |
| CN107437258B (zh) | 特征提取方法、运动状态估计方法以及运动状态估计装置 | |
| Huang et al. | Identification of the source camera of images based on convolutional neural network | |
| JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
| WO2022252527A1 (zh) | 神经网络训练及人脸识别方法、装置、设备及存储介质 | |
| US20040240733A1 (en) | Image transmission system, image transmission unit and method for describing texture or a texture-like region | |
| CN110942456A (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
| WO2017177559A1 (zh) | 一种图像管理方法和装置 | |
| US8452116B1 (en) | Estimating sensor sensitivity | |
| Zhou et al. | Sparse representation with enhanced nonlocal self-similarity for image denoising | |
| CN113658118B (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 | |
| KR20190071452A (ko) | 객체 검출 장치 및 방법 | |
| CN113963295A (zh) | 视频片段中地标识别方法、装置、设备及存储介质 | |
| CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
| CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN113688850A (zh) | 一种图像处理的方法及终端 | |
| CN109886865B (zh) | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 | |
| CN112714246A (zh) | 连拍照片获取方法、智能终端及存储介质 | |
| CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
| CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
| CN114255203B (zh) | 一种鱼苗数量估计方法及系统 |
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 |