CN113920324B - 图像识别方法、装置、电子设备及存储介质 - Google Patents
图像识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113920324B CN113920324B CN202111513942.6A CN202111513942A CN113920324B CN 113920324 B CN113920324 B CN 113920324B CN 202111513942 A CN202111513942 A CN 202111513942A CN 113920324 B CN113920324 B CN 113920324B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- processed
- pixel
- area
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像识别方法、装置、电子设备及存储介质,其中图像识别方法包括获取待处理图像;待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于目标轮廓中的像素点特征,确定待处理图像为目标图像;上述像素点特征包括像素点数目,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目;对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;在待处理图像中,得到目标像素点数目;在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。采用本方法,能够提高图像处理的准确度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像识别方法、装置、电子设备及存储介质。
背景技术
随着图像处理技术的发展,图像处理的应用涉及到了生活和工作的方方面面。在生物医学、遥感航空、工业和人工智能等领域均得到了广泛的应用。例如,在上述生物医学领域,对医学图像的处理准确度,对于医学研究具有重要意义。
传统的图像处理技术,存在图像处理准确度低的问题。
发明内容
本发明提供一种图像识别方法、装置、电子设备及存储介质,用以解决现有技术中图像处理准确度低的缺陷,实现提高图像处理准确度目的。
本发明提供一种图像识别方法,包括:获取待处理图像;所述待处理图像中包括目标对象;对所述目标对象进行轮廓提取,得到目标轮廓;基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像。所述像素点特征包括像素点数目,所述基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像包括:在所述待处理图像中,对所述目标轮廓中所包括的所述像素点数目进行统计,得到初始像素点数目;对所述目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;在所述待处理图像中,对所述目标外接圆区域中所包含的所述像素点数目进行统计,得到目标像素点数目;在所述初始像素点数目在所述目标像素点数目中所占的比例大于比例阈值的情况下,确定所述待处理图像为目标图像。
根据本发明提供的一种图像识别方法,所述像素点特征包括像素值,所述基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像包括:在所述待处理图像中,对所述目标轮廓中所包括的像素点的所述像素值进行统计,得到初始像素值;对所述目标对象的目标检测框区域进行区域扩充,得到扩充区域;对所述扩充区域和所述目标轮廓进行区域差值处理,得到目标区域;在所述待处理图像中,对所述目标区域中的像素点的所述像素值进行统计,得到中间像素值;对所述初始像素值和所述中间像素值进行差值计算,得到目标像素值;在所述目标像素值大于像素值阈值时,确定所述待处理图像为目标图像。
根据本发明提供的一种图像识别方法,所述对所述目标对象的目标检测框区域进行区域扩充,得到扩充区域包括:以所述目标检测框区域的中心位置为参考位置,以所述目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量像素点,得到所述扩充区域,其中,所述扩充区域为以所述参考位置为中心,大于所述目标检测框区域的区域。
根据本发明提供的一种图像识别方法,所述获取待处理图像包括:
获取初始图像;对所述初始图像进行曝光度修正处理,得到中间图像;将所述中间图像输入到神经网络模型中,得到所述待处理图像。
根据本发明提供的一种图像识别方法,所述方法还包括:对所述待处理图像进行灰度处理,得到灰度图像;对所述灰度图像进行二值化处理,得到预处理图像;基于所述预处理图像,执行步骤对所述目标对象进行轮廓提取,得到目标轮廓。
本发明还提供一种图像识别装置,包括:第一处理模块,用于获取待处理图像;所述待处理图像中包括目标对象;第二处理模块,用于对所述目标对象进行轮廓提取,得到目标轮廓;第三处理模块,用于基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像。所述像素点特征包括像素点数目,所述第三处理模块包括:第一处理单元,用于在所述待处理图像中,对所述目标轮廓中所包括的所述像素点数目进行统计,得到初始像素点数目;第二处理单元,用于对所述目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;第三处理单元,用于在所述待处理图像中,对所述目标外接圆区域中所包含的所述像素点数目进行统计,得到目标像素点数目;第四处理单元,用于在所述初始像素点数目在所述目标像素点数目中所占的比例大于比例阈值的情况下,确定所述待处理图像为目标图像。本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述图像识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述图像识别方法的步骤。
本发明提供的图像识别方法、装置、电子设备及存储介质,通过上述图像识别方法中,通过获取待处理图像;该待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于该目标轮廓中的像素点特征,确定待处理图像为目标图像。在像素点特征为像素点数目时,在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目,对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域,在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目,在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像,能够通过对目标轮廓中的像素点特征进行判断,准确确定待处理图像为目标图像,提高了图像处理的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的图像识别方法的流程示意图之一;
图2是本发明提供的图像识别方法的流程示意图之二;
图3是本发明提供的图像识别方法的流程示意图之三;
图4是本发明提供的图像识别方法的流程示意图之四;
图5是本发明提供的图像识别方法的流程示意图之五;
图6是本发明提供的图像识别方法的区域效果示意图之一;
图7是本发明提供的图像识别装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的图像识别方法。
在一个实施例中,如图1所示,提供了一种图像识别方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤102,获取待处理图像;该待处理图像中包括目标对象。
其中,目标对象是指在待处理图像中需要进行处理的对象,可以是待处理图像中的某个物体等。例如,待处理图像中包括马这个动物,该动物马即为目标对象。
具体地,服务器可以通过获取图像获取设备获得的获取初始图像或者对初始图像进行处理之后的预处理图像等,作为待处理图像。
在一个实施例中,服务器连接图像获取设备,图像获取设备基于发送图像的触发条件,将该初始图像传输到本端服务器;相应的,服务器能够接收到该初始图像,将该初始图像作为待处理图像。
在一个实施例中,服务器将获取到的初始图像输入到训练好的神经网络模型中进行处理,得到的处理图像,作为待处理图像。
在一个实施例中,服务器可以对处理图像转换为灰度图像,再将该灰度图像进行二值化处理后,得到的图像作为待处理图像。
步骤104,对目标对象进行轮廓提取,得到目标轮廓。
具体地,服务器获取到待处理图像之后,利用轮廓检测方法对该待处理图像中的目标对象进行轮廓提取,得到目标对象的目标轮廓。
在一个实施例中,服务器利用轮廓检测方法Canny检测到目标对象的轮廓,并利用findcontour函数提取检测到的轮廓,当利用findcontour函数提取轮廓完成之后,调用drawcontour函数画出轮廓,从而得到上述目标轮廓。基于目标轮廓中的像素点特征,确定待处理图像为目标图像。
其中,像素点特征是指像素点的数目或者像素点的像素值等特征。
具体地,服务器得到目标轮廓后,可以通过对该目标轮廓中的像素点特征进行条件判断,从而确定待处理图像为目标图像。
在一个实施例中,上述像素点特征包括像素点数目,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:
步骤106,在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目。
具体地,服务器得到目标轮廓之后,通过调用像素点数数目统计插件,得到目标轮廓中所包括的像素点数目。
在一个实施例中,服务器得到目标轮廓之后,通过确定该目标轮廓中任意一个像素点作为候选像素点,从该候选像素点开始沿着横向坐标方向遍历各个像素点,直至遍历到处在目标轮廓中另一像素点时,停止遍历该横向坐标方向的像素点;以此方法,遍历所有处在目标轮廓中的像素点,得到总的像素点个数,即为目标轮廓中所包括的像素点数目。
步骤108,对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域。
具体地,服务器得到目标轮廓之后,通过对该目标轮廓进行外接覆盖区域确定,得到目标外接圆区域。
在一个实施例中,服务器得到目标轮廓之后,可以通过调用本地外接圆获取插件,例如minEnclosingCircle等,得到目标轮廓的最小外接圆,将该最小外接圆确定为目标外接圆区域。可以理解的,服务器在获取到目标外接圆区域之后,同时得到了该目标外接圆区域的圆心和半径。
步骤110,在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目。
具体地,服务器得到处在待处理图像中的目标外接圆区域之后,对该目标外接圆区域内的像素点数目进行统计,得到目标像素点数目。
在一个实施例中,在服务器得到目标外接圆区域之后,利用步骤106中像素点数目的得到方法,即通过确定该目标外接圆区域中任意一个像素点作为候选像素点,从该候选像素点开始沿着横向坐标方向遍历各个像素点,直至遍历到处在目标外接圆区域中另一像素点时,停止遍历该横向坐标方向的像素点;以此方法,遍历所有处在目标外接圆区域中的像素点,得到总的像素点个数,即为得到目标像素点数目。
步骤112,在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。
具体地,比例阈值是指比例的临界值,大于该临界值,确定待处理图像为目标图像,小于等于该临界值,确定待处理图像不是目标图像。
在一个实施例中,将初始像素点数目表示为X1,将目标像素点数目表示为X2,初始像素点数目在目标像素点数目中所占的比例表示为A,比例阈值表示为A0,则初始像素点数目在目标像素点数目中所占的比例A表示为公式:
A=X1/X2 (1)
则在A大于A0的情况下,确定待处理图像为目标图像;在A小于等于A0的情况下,确定待处理图像不是目标图像。
在一个实施例中,上述比例阈值A0取值为0.6时,所确定待处理图像是目标图像的准确率最高,即当上述A大于0.6的情况下,确定待处理图像为目标图像;在A小于等于0.6的情况下,确定待处理图像不是目标图像。
本实施例中,通过上述图像识别方法中,通过获取待处理图像;该待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于该目标轮廓中的像素点特征,确定待处理图像为目标图像。在像素点特征为像素点数目时,在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目,对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域,在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目,在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像,能够通过对目标轮廓中的像素点特征进行判断,准确确定待处理图像为目标图像,提高了图像处理的准确度。
在一个实施例中,如图2所示,上述像素点特征包括像素值,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:
步骤202,在待处理图像中,对目标轮廓中所包括的像素点的像素值进行统计,得到初始像素值。
具体地,在服务器得到目标轮廓,并且确定了目标轮廓中的像素点之后,遍历各个像素点,进行像素点像素值的统计,得到初始像素值。
在一个实施例中,服务器可以首先通过图像的预处理,将待处理图像转换为灰度图,在目标轮廓中,遍历各个像素点,进行像素点的灰度值的统计,得到目标轮廓中各个像素点灰度值的平均值,将该平均值作为初始像素值。
步骤204,对目标对象的目标检测框区域进行区域扩充,得到扩充区域。
其中,目标检测框区域是指通过目标检测识别方法对目标对象进行识别后,得到的检测框区域。区域扩充是指对目标检测框区域进行外扩,外扩方法可以通过延长目标检测框区域的边界或者在目标检测框区域外添加像素点等完成。
具体地,服务器可以通过训练好的目标检测识别模型,对包括有目标对象的待处理对象进行处理,得到包括有目标检测框区域的图像,在确定目标检测框区域之后,对该目标检测框区域进行区域扩充,得到扩充区域。
在一个实施例中,服务器在得到目标检测框区域后,在目标检测框区域的长度延伸方向和宽度延伸方向,分别进行像素点的填充,得到扩充区域。
在一个实施例中,服务器在目标检测框区域的长度延伸方向和宽度延伸方向,分别进行预设个数像素点的填充,得到扩充区域。例如,可以在目标检测框区域的长度延伸方向和宽度延伸方向分别填充30个像素点,得到扩充区域。
在一个实施例中,服务器在得到目标检测框区域后,可以通过预设的延伸系数,对该目标检测框区域进行延伸,得到扩充区域。
步骤206,对扩充区域和目标轮廓进行区域差值处理,得到目标区域。
具体地,服务器在得到扩充区域以及上述的目标轮廓之后,在待处理图像中,对扩充区域和目标轮廓的图像进行区域差值处理,得到目标区域。可以理解的,待处理图像中的扩充区域大于待处理图像中的目标轮廓。
步骤208,在待处理图像中,对目标区域中的像素点的像素值进行统计,得到中间像素值。
具体地,服务器得到在待处理图像中的目标区域之后,遍历目标区域中的像素点,得到各个像素点的像素值,并对各个像素值进行统计,得到中间像素值。
在一个实施例中,服务器遍历目标区域中的像素点,得到各个像素点的像素值,并对各个像素点的像素值进行平均值的计算,将得到的平均值作为中间像素值。
步骤210,对初始像素值和中间像素值进行差值计算,得到目标像素值。
具体地,服务器得到初始像素值和中间像素值之后,计算初始像素值和中间像素值的差值,将该差值作为目标像素值。
在一个实施例中,初始像素值表示为Y0, 中间像素值表示为Y1,目标像素值表示为Y,则目标像素值Y表示为公式:
Y=| Y0- Y1| (2)
步骤212,在目标像素值大于像素值阈值时,确定待处理图像为目标图像。
其中,像素值阈值是指像素值的临界值,大于该临界值,则确定待处理图像为目标图像;小于等于该临界值,则确定待处理图像不是目标图像。
具体地,通过比较目标像素值和像素值阈值,确定待处理图像是否为目标图像。
在一个实施例中,像素值阈值可以表示为Y2,则在满足Y大于Y2的情况下,确定待处理图像为目标图像,在满足Y小于等于Y2的情况下,确定待处理图像不是目标图像。像素值阈值Y2可以取值为20,在公式(2)中目标像素值Y大于20时,确定待处理图像为目标图像;目标像素值Y小于等于20时,确定待处理图像不是目标图像。
本实施例中,通过在待处理图像中,对目标轮廓中所包括的像素点的像素值进行统计,得到初始像素值,对目标对象的目标检测框区域进行区域扩充,得到扩充区域,对扩充区域和目标轮廓进行区域差值处理,得到目标区域,在待处理图像中,对目标区域中的像素点的像素值进行统计,得到中间像素值,在目标像素值大于像素值阈值时,确定待处理图像为目标图像,能够达到准确确定待处理图像为目标图像的目的。
在一个实施例中,对目标对象的目标检测框区域进行区域扩充,得到扩充区域包括:以目标检测框区域的中心位置为参考位置,以目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量像素点,得到扩充区域,其中,扩充区域为以参考位置为中心,大于目标检测框区域的区域。
其中,边界延伸方向是指沿着目标检测框区域的边界进行向外延伸的方向,该边界包括长度方向和宽度方向。
具体地,服务器在得到目标检测框区域之后,以该目标检测框区域的中心位置为参考位置,以目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量像素点,得到扩充区域。
在一个实施例中,目标检测框区域为w*h,上述参考位置的坐标可以表示为(0,0),则扩充区域可以通过以该区域中心为参考位置,则在右侧边界的长度的延伸方向为大于w/2的位置添加预设数量像素点;在左侧边界的长度的延伸方向为小于-w/2的位置添加预设数量像素点;在上侧边界的宽度的延伸方向为大于h/2的位置添加预设数量像素点;在下侧边界的宽度的延伸方向为小于-h/2的位置添加预设数量像素点得到。
在一个实施例中,预设数量像素点可以为30,以目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加30个像素点,得到扩充区域。
本实施例中,通过以目标检测框区域的中心位置为参考位置,以目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量像素点,得到扩充区域,能够达到准确得到扩充区域的目的。
在一个实施例中,如图3所示,获取待处理图像包括:
步骤302,获取初始图像。
具体地,服务器连接图像获取设备,利用该图像获取设备获取初始图像。
步骤304,对初始图像进行曝光度修正处理,得到中间图像。
具体地,服务器得到初始图像之后,通过对该初始图像进行曝光度的修正处理,得到中间图像。
在一个实施例中,服务器通过获取初始图像中多个像素点的灰度值,对该灰度值进行计算,得到灰度值中值,根据该灰度值中值,确定图像的曝光程度,并进行调节,得到中间图像。
在一个实施例中,服务器存储有灰度值中值的第一阈值,当上述灰度值中大于该第一阈值时,则认为初始图像曝光过度,减少其曝光度;当上述灰度值中小于灰度值中值的第二阈值时,则认为初始图像曝光不足,增加其曝光度。其中的第一阈值取值范围可以为195,第二阈值可以为68。
在一个实施例中,灰度值中值的得到过程为,服务器对获得的多个灰度值进行排序,分别选取排序在前和灾后的相同数量的像素点,分别计算像素点的最大灰度平均值和最小灰度平均值,根据最大灰度平均值和最小灰度平均值,计算得到灰度值中值。
步骤306,将中间图像输入到神经网络模型中,得到待处理图像。
具体地,服务器得到中间图像之后,将该中间图像输入到训练好的神经网络模型中,得到上述待处理图像。
在一个实施例中,神经网络模型的得到过程为,将完成标注的待处理图像作为第一类别图像,将非待处理图像作为第二类别图像,并按照一定比例进行选取第一类别图像和第二类别图像,将其划分为训练集和测试集,使用yolov5目标检测网络对训练集部分进行模型训练,并根据测试集对训练好的模型进行效果评估,得到一个最优的模型,将该模型作为中间图像将要输入的神经网络模型。
在一个实施例中,服务器得到中间图像之后,将该中间图像输入到最优的yolov5目标检测网络中,输出得到待处理图像。
本实施例中,通过获取初始图像,对初始图像进行曝光度修正处理,得到中间图像,将中间图像输入到神经网络模型中,得到待处理图像,能够达到准确得到待处理图像的目的。
在一个实施例中,如图4所示,图像识别方法还包括:
步骤402,对待处理图像进行灰度处理,得到灰度图像。
具体地,服务器在获取待处理图像之后,可以对该待处理图像进行灰度处理,得到灰度图像。
在一个实施例中,在待处理图像为RGB三通道图像的情况下,通过转换算法,可以得到每个像素点的灰度值,从而将待处理图像转换为灰度图像。例如,可以利用浮点算法,对待处理图像为RGB三通道的每个通道进行转换,得到目标像素点的灰度值,浮点算法可以表示为公式:
Gray=R*0.3+G*0.59+B*0.11 (3)
其中,R表示待处理图像中某个像素点红色通道上的像素值,G表示待处理图像中某个像素点绿色通道上的像素值,B表示待处理图像中某个像素点蓝色通道上的像素值。
可以理解的,也可以通过整数方法、移位方法或者平均值法,将待处理图像进行灰度处理,得到对应的灰度图像。
步骤404,对灰度图像进行二值化处理,得到预处理图像。
具体地,服务器得到灰度图像之后,通过选取合适的灰度值阈值,将该灰度图像转换为灰度值只有0和255的图像,将该图像作为预处理图像。
在一个实施例中,灰度值阈值的选取采用大律法、最大熵阈值法或者双峰法等得到。可以理解的,灰度值阈值的得到也可以为其他可用方式。
步骤406,基于预处理图像,执行步骤对目标对象进行轮廓提取,得到目标轮廓。
具体地,服务器得到预处理图像之后。可以执行上述方法中的步骤104。
本实施例中,通过对待处理图像进行灰度处理,得到灰度图像,对灰度图像进行二值化处理,得到预处理图像,基于预处理图像,执行步骤对目标对象进行轮廓提取,得到目标轮廓,能够达到准确得到目标轮廓的目的。
在一个实施例中,如图5所示,以待处理图像为具有粘膜褪色性改变的图像为例。首先由胶囊内窥镜系统获取到相关的胃内图像,对获取的图像进行曝光度检测,然后对过曝或者欠曝的图片进行曝光修正,从而得到正常曝光下的包括正常的图像和粘膜褪色性改变的图像。然后对含有粘膜褪色性改变的图像进行标注,框选出粘膜褪色性改变的位置信息,标注完成后按照一定比例选取有粘膜褪色性改变和无粘膜褪色性改变的类别图像,将其划分为训练集和测试集。使用yolov5目标检测网络对训练集部分进行模型训练,并根据测试集来对训练好的模型进行效果评估,得到一个最优的模型。利用上述最优模型,对胶囊胃镜下的图像进行处理,若输出结果判断为褪色性粘膜改变图像,则对其判断为褪色性粘膜改变的框选区域进行轮廓提取,得到目标对象轮廓,如图6所示的轮廓1;计算目标对象轮廓中包含的像素点个数,再对该目标对象轮廓进行最小外接圆处理,找到其最小外接圆轮廓,如图6所示的轮廓2;计算得到最小外接圆轮廓包含的像素点个数,利用目标对象轮廓中包含的像素点个数除以最小外接圆轮廓包含的像素点个数,即可计算出其似圆度,将该似圆度的判定条件确定为判定条件1。判定条件2的计算方法为先对上述目标对象轮廓在原图中计算其第一平均灰度值,并对目标检测网络的目标检测区域的长度和宽度方向进行扩大,长宽方向各扩大30个像素点,其中,目标检测区域如图6中的框形3;得到新的区域,如图6所示的框形4。在此基础上,在新的区域内,对除去目标对象轮廓的其余部分计算其第二平均灰度值,计算第一平均灰度值和第二平均灰度值进行相减的绝对值。根据判定条件1是否大于0.6、判定条件2是否大于20或者两个判定条件共同满足来判定该目标检测区域是否为褪色性粘膜改变的区域;当判定条件1大于0.6,或者判定条件2大于20,或者判定条件1大于0.6且判定条件2大于20时,确定该目标检测区域是否为褪色性粘膜改变的区域。
下面对本发明提供的图像识别装置进行描述,下文描述的图像识别装置与上文描述的图像识别方法可相互对应参照。
在一个实施例中,如图7所示,提供了一种图像识别装置700,包括:第一处理模块702、第二处理模块704和第三处理模块706,其中:第一处理模块702,用于获取待处理图像;待处理图像中包括目标对象;第二处理模块704,用于对目标对象进行轮廓提取,得到目标轮廓;第三处理模块706,用于基于目标轮廓中的像素点特征,确定待处理图像为目标图像,像素点特征包括像素点数目,第三处理模块706包括:第一处理单元,用于在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目;第二处理单元,用于对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;第三处理单元,用于在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目;第四处理单元,用于在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。
在一个实施例中,像素点特征包括像素值,第三处理模块706,用于在待处理图像中,对目标轮廓中所包括的像素点的像素值进行统计,得到初始像素值;对目标对象的目标检测框区域进行区域扩充,得到扩充区域;对扩充区域和目标轮廓进行区域差值处理,得到目标区域;在待处理图像中,对目标区域中的像素点的像素值进行统计,得到中间像素值;对初始像素值和中间像素值进行差值计算,得到目标像素值;在目标像素值大于像素值阈值时,确定待处理图像为目标图像。
在一个实施例中,第三处理模块706,用于以目标检测框区域的中心位置为参考位置,以目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量像素点,得到扩充区域,其中,扩充区域为以参考位置为中心,大于目标检测框区域的区域。
在一个实施例中,第一处理模块702,用于获取初始图像;对初始图像进行曝光度修正处理,得到中间图像;将中间图像输入到神经网络模型中,得到待处理图像。
在一个实施例中,图像识别装置用于对待处理图像进行灰度处理,得到灰度图像;对灰度图像进行二值化处理,得到预处理图像;基于预处理图像,执行步骤对目标对象进行轮廓提取,得到目标轮廓。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行图像识别方法,该方法包括:获取待处理图像;待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于目标轮廓中的像素点特征,确定待处理图像为目标图像,像素点特征包括像素点数目,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目;对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目;在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的图像识别方法,该方法包括:获取待处理图像;待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于目标轮廓中的像素点特征,确定待处理图像为目标图像,像素点特征包括像素点数目,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目;对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目;在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的图像识别方法,该方法包括:获取待处理图像;待处理图像中包括目标对象;对目标对象进行轮廓提取,得到目标轮廓;基于目标轮廓中的像素点特征,确定待处理图像为目标图像,像素点特征包括像素点数目,基于目标轮廓中的像素点特征,确定待处理图像为目标图像包括:在待处理图像中,对目标轮廓中所包括的像素点数目进行统计,得到初始像素点数目;对目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;在待处理图像中,对目标外接圆区域中所包含的像素点数目进行统计,得到目标像素点数目;在初始像素点数目在目标像素点数目中所占的比例大于比例阈值的情况下,确定待处理图像为目标图像。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种图像识别方法,其特征在于,包括:
获取待处理图像;所述待处理图像中包括目标对象;
对所述目标对象进行轮廓提取,得到目标轮廓;
基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像;
所述像素点特征包括像素点数目,所述基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像包括:
在所述待处理图像中,对所述目标轮廓中所包括的所述像素点数目进行统计,得到初始像素点数目;
对所述目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;
在所述待处理图像中,对所述目标外接圆区域中所包含的所述像素点数目进行统计,得到目标像素点数目;
在所述初始像素点数目在所述目标像素点数目中所占的比例大于比例阈值的情况下,确定所述待处理图像为目标图像;所述比例阈值取值为0.6;
所述像素点特征包括像素值,所述基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像包括:
在所述待处理图像中,对所述目标轮廓中所包括的像素点的所述像素值进行统计,得到初始像素值;
对所述目标对象的目标检测框区域进行区域扩充,得到扩充区域;
所述对所述目标对象的目标检测框区域进行区域扩充,得到扩充区域包括:
以所述目标检测框区域的中心位置为参考位置,以所述目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量为30的像素点,得到所述扩充区域,其中,所述扩充区域为以所述参考位置为中心,大于所述目标检测框区域的区域;
对所述扩充区域和所述目标轮廓进行区域差值处理,得到目标区域;
在所述待处理图像中,对所述目标区域中的像素点的所述像素值进行统计,得到中间像素值;
对所述初始像素值和所述中间像素值进行差值计算,得到目标像素值;
在所述目标像素值大于像素值阈值时,确定所述待处理图像为目标图像;其中,像素值阈值取值为20。
2.根据权利要求1所述的图像识别方法,其特征在于,所述获取待处理图像包括:
获取初始图像;
对所述初始图像进行曝光度修正处理,得到中间图像;
将所述中间图像输入到神经网络模型中,得到所述待处理图像。
3.根据权利要求1所述的图像识别方法,其特征在于,所述方法还包括:
对所述待处理图像进行灰度处理,得到灰度图像;
对所述灰度图像进行二值化处理,得到预处理图像;
基于所述预处理图像,执行步骤对所述目标对象进行轮廓提取,得到目标轮廓。
4.一种图像识别装置,其特征在于,包括:
第一处理模块,用于获取待处理图像;所述待处理图像中包括目标对象;
第二处理模块,用于对所述目标对象进行轮廓提取,得到目标轮廓;
第三处理模块,用于基于所述目标轮廓中的像素点特征,确定所述待处理图像为目标图像;
所述像素点特征包括像素点数目,所述第三处理模块包括:
第一处理单元,用于在所述待处理图像中,对所述目标轮廓中所包括的所述像素点数目进行统计,得到初始像素点数目;
第二处理单元,用于对所述目标轮廓进行外接覆盖区域确定,得到目标外接圆区域;
第三处理单元,用于在所述待处理图像中,对所述目标外接圆区域中所包含的所述像素点数目进行统计,得到目标像素点数目;
第四处理单元,用于在所述初始像素点数目在所述目标像素点数目中所占的比例大于比例阈值的情况下,确定所述待处理图像为目标图像所述比例阈值取值为0.6;
所述像素点特征包括像素值,所述第三处理模块还包括:
第五处理单元,用于在所述待处理图像中,对所述目标轮廓中所包括的像素点的所述像素值进行统计,得到初始像素值;
第六处理单元,用于对所述目标对象的目标检测框区域进行区域扩充,得到扩充区域;以所述目标检测框区域的中心位置为参考位置,以所述目标检测框区域的边界位置作为起始位置,沿着边界延伸方向添加预设数量为30的像素点,得到所述扩充区域,其中,所述扩充区域为以所述参考位置为中心,大于所述目标检测框区域的区域;对所述扩充区域和所述目标轮廓进行区域差值处理,得到目标区域;在所述待处理图像中,对所述目标区域中的像素点的所述像素值进行统计,得到中间像素值;对所述初始像素值和所述中间像素值进行差值计算,得到目标像素值;在所述目标像素值大于像素值阈值时,确定所述待处理图像为目标图像;其中,像素值阈值取值为20。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至3任一项所述图像识别方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111513942.6A CN113920324B (zh) | 2021-12-13 | 2021-12-13 | 图像识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111513942.6A CN113920324B (zh) | 2021-12-13 | 2021-12-13 | 图像识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920324A CN113920324A (zh) | 2022-01-11 |
CN113920324B true CN113920324B (zh) | 2022-04-01 |
Family
ID=79248647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111513942.6A Active CN113920324B (zh) | 2021-12-13 | 2021-12-13 | 图像识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920324B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830049A (zh) * | 2022-07-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
CN114998614B (zh) * | 2022-08-08 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001111996A (ja) * | 1999-08-04 | 2001-04-20 | Toshiba Corp | 物体領域情報記述方法及び物体領域情報生成装置並びに映像情報処理方法及び映像情報処理装置 |
CN108205395A (zh) * | 2018-01-16 | 2018-06-26 | 安徽慧视金瞳科技有限公司 | 一种标定点中心坐标精准定位方法 |
CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
CN109948504A (zh) * | 2019-03-13 | 2019-06-28 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
WO2020119167A1 (zh) * | 2018-12-14 | 2020-06-18 | 北京海益同展信息科技有限公司 | 数据处理方法、装置、系统和介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085755A (zh) * | 2020-09-14 | 2020-12-15 | 贝壳技术有限公司 | 物体轮廓检测方法、装置以及设备、存储介质 |
CN112649793A (zh) * | 2020-12-29 | 2021-04-13 | 西安科锐盛创新科技有限公司 | 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111513942.6A patent/CN113920324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001111996A (ja) * | 1999-08-04 | 2001-04-20 | Toshiba Corp | 物体領域情報記述方法及び物体領域情報生成装置並びに映像情報処理方法及び映像情報処理装置 |
CN108205395A (zh) * | 2018-01-16 | 2018-06-26 | 安徽慧视金瞳科技有限公司 | 一种标定点中心坐标精准定位方法 |
WO2020119167A1 (zh) * | 2018-12-14 | 2020-06-18 | 北京海益同展信息科技有限公司 | 数据处理方法、装置、系统和介质 |
CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
CN109948504A (zh) * | 2019-03-13 | 2019-06-28 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车道线识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113920324A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920324B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN104408460B (zh) | 一种车道线检测及跟踪检测方法 | |
EP3306562B1 (en) | Image processing method and device | |
WO2020177470A1 (zh) | 验证码识别方法、装置、终端及存储介质 | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN107194317B (zh) | 一种基于网格聚类分析的暴力行为检测方法 | |
CN104517110A (zh) | 一种二维码图像的二值化方法及系统 | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN111242925B (zh) | 针对ct影像数据的目标检测方法、装置及电子设备 | |
CN111597933A (zh) | 人脸识别方法和装置 | |
US20220414827A1 (en) | Training apparatus, training method, and medium | |
US7620246B2 (en) | Method and apparatus for image processing | |
JP6432296B2 (ja) | 画像中のゼブラクロッシングの検出装置及び方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN115953776A (zh) | 基于机器学习的食品检测系统 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
RU2580074C1 (ru) | Способ автоматической сегментации полутоновых сложноструктурированных растровых изображений | |
CN114693543A (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN108573230B (zh) | 人脸跟踪方法和人脸跟踪装置 | |
CN113420579A (zh) | 标识码位置定位模型的训练及定位方法、装置、电子设备 | |
CN113538337B (zh) | 检测方法、检测装置及计算机可读存储介质 | |
CN105389775A (zh) | 融合图像灰度特征与结构化表示的图像群组配准方法 |
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 |