CN114155160A - 结构图的连接器还原方法、装置、电子设备及存储介质 - Google Patents
结构图的连接器还原方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114155160A CN114155160A CN202111274776.9A CN202111274776A CN114155160A CN 114155160 A CN114155160 A CN 114155160A CN 202111274776 A CN202111274776 A CN 202111274776A CN 114155160 A CN114155160 A CN 114155160A
- Authority
- CN
- China
- Prior art keywords
- connection
- lines
- connection points
- structure picture
- target structure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000011022 operating instruction Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 239000003550 marker Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明公开了一种结构图的连接器还原方法，对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元；将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。本发明公开的结构图的连接器还原方法、装置及电子设备，能够自动对结构图片中的连接器还原路径进行还原，且能够提高还原效率。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种结构图的连接器还原方法、装置及电子设备。
背景技术
随着互联网技术的飞速发展，为了提高展示效果，通常是将各种结构图以图片的方式进行展示，使得用户的体验更好。
但是在结构图以图片的方式进行展示时，若需要获取图像中各个图形器之间的连接器例如线条的连接关系时，需要根据图片中显示的连接器进行手动操作，导致连接器还原路径的还原效率极低。
如此，亟需一种能够还原图片中的连接器还原路径的方法。
发明内容
本发明实施例提供一种结构图的连接器还原方法、装置及电子设备，能够自动对结构图片中的连接器还原路径进行还原，且能够提高还原效率。
本发明实施例第一方面提供一种结构图的连接器还原方法，所述方法包括：
对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
可选的，所述对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，包括：
采用线条检测方法对所述目标结构图片进行线条识别，识别出所述m个线条；
对所述m个线条进行连接点检测，得到所述n个连接点。
可选的，在得到所述n个连接点之后，所述方法还包括：
对所述n个连接点进行分类检测，得到所述n个连接点中每个连接点的类型。
可选的，所述对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，包括：
通过预先训练的图像器识别模型对所述目标结构图片进行结构识别，识别出所述k个图形器单元，其中，每个图形器单元包括图形器形状和图形器位置。
可选的，所述图形器识别模型的训练步骤，包括：
获取训练样本集，所述训练样本集中每个训练样本包括训练结构图片，及训练结构图片中的图形标注信息，图形标注信息包括图形器形状和图形器位置；
利用每个训练结构图片和每个训练结构图片中的图形标注信息进行模型训练，得到所述图形器识别模型。
可选的，所述将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径，包括：
根据所述m个线条和所述n个连接点之间的距离关系，获取所述m个线条与所述n个连接点之间的线点连接关系；
根据所述n个连接点与所述k个图形器之间的位置关系，获取所述n个连接点与所述k个图形器之间的图点连接关系；
根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的连接路径，并将所述连接路径作为所述连接器还原路径。
可选的，所述根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的连接路径，包括：
根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的无向图；
通过路径选择算法对所述无向图进行路径选择，得到处理后的无向图，将所述处理后的无向图作为所述连接路径。
本发明实施例第二方面还提供一种结构图的连接器还原装置，所述装置包括：
线条检测单元，用于对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
结构识别单元，用于对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
匹配单元，用于将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
可选的，所述线条检测单元，用于采用线条检测方法对所述目标结构图片进行线条识别，识别出所述m个线条；对所述m个线条进行连接点检测，得到所述n个连接点。
可选的，还包括：
连接点分类单元，用于在得到所述n个连接点之后，对所述n个连接点进行分类检测，得到所述n个连接点中每个连接点的类型。
本发明实施例第三方面提供了一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上的程序存储于存储器中，且经配置以由一个或者一个以上的处理器执行所述一个或者一个以上的程序所包含的用于进行如第一方面提供的结构图的连接器还原方法对应的操作指令。
本发明实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的结构图的连接器还原方法对应的步骤。
本申请实施例中的上述一个或至少一个技术方案，至少具有如下技术效果：
基于上述技术方案，对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点；对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元；根据所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。如此可知，可以将n个连接点与m个线条进行匹配，再根据n个连接点与k个图形器之间的位置关系，将m个线条与k个图形器之间的连接关系。进而根据连接关系将目标结构图片的连接器的路径进行还原，得到连接器还原路径，确保了还原的准确性和还原效率。
附图说明
图1为本申请实施例提供的一种结构图的连接器还原方法的流程示意图；
图2为本申请实施例提供的图形器识别模型训练步骤的流程示意图；
图3a为本申请实施例提供的在目标结构图片中识别出m个线条的结构示意图；
图3b为本申请实施例提供的在目标结构图片中识别出n个连接点的结构示意图；
图3c为本申请实施例提供的在目标结构图片中识别出k个图形器单元的结构示意图；
图3d为本申请实施例提供的连接器还原路径的结构示意图；
图4为本申请实施例提供的一种结构图的连接器还原装置的方框图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。
实施例
请参考图1，本申请实施例提供一种结构图的连接器还原方法，所述方法包括：
S101、对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
S102、对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
S103、将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
本说明书实施例中，目标结构图片可以是包含了流程图和思维导图等结构图的图片；本说明书实施例提供的连接器还原方法可以应用在服务器中，也可以应用在用户终端中，其中，服务器例如可以台式电脑、笔记本电脑和一体机等，用户终端例如可以是台式电脑、笔记本电脑、一体机、平板电脑和智能手机等。
其中，在步骤S101中，首先获取目标结构图片，再采用线条检测方法对目标结构图片进行线条识别，识别出m个线条之后，再对m个线条进行连接点检测，得到n个连接点，其中，线条检测方法例如可以是目标检测方法或实例分割方法等，m例如可以为1、2、4和6等正整数，n例如可以为1、3和5等正整数，m和n可以相同或不同，m和n可以相同或不同
其中，在对m个线条进行连接点检测，得到n个连接点时，可以获取到m个线条之间的所有线条交叉点及转折点，并将获取的所有线条交叉点及转折点作为n个连接点，其中，n个连接点中的每个连接点可以均是线条交叉点，例如目标结构图片中的每个图形器单元仅对应一个线条的情况下每个连接点均是线条交叉点。当然，n个连接点还可以既包含线条交叉点也包含连接点。
具体来讲，也可以预先训练一个线条检测模型，再通过线条检测模型对目标结构图片进行线条检测，得到m个线条和n个连接点。此时，线条检测模型的训练步骤如下：获取训练样本集，训练样本集中的每个训练样本包括训练结构图片，及训练结构图片中的线条标注信息和连接点标注信息；利用每个训练结构图片、每个训练结构图片中的线条标注信息和连接点标注信息进行模型训练，得到线条检测模型。如此，在训练得到线条检测模型之后，可以直接将目标结构图片输入到线条检测模型中，得到m个线条和n个连接点。
以及，在得到n个连接点之后，还可以n个连接点进行分类检测，得到n个连接点中每个连接点的类型。此时，可以训练一个分类模型，在通过线条检测模型获取到n个连接点之后，将每个连接点输入到分类模型中，得到每个连接点的类型。
当然，在获取每个连接点的类型时，也可以直接利用线条检测模型在获取到n个连接点时，还可以获取每个连接点的类型。此时，线条检测模型的训练步骤如下：获取训练样本集，训练样本集中的每个训练样本包括训练结构图片，及训练结构图片中的线条标注信息和连接点标注信息，连接点标注信息包括连接点的类型；利用每个训练结构图片、每个训练结构图片中的线条标注信息和连接点标注信息进行模型训练，得到线条检测模型。如此，在训练得到线条检测模型之后，可以直接将目标结构图片输入到线条检测模型中，得到m个线条和n个连接点，其中，n个连接点包括每个连接点的类型。
本说明书实施例中，连接点的类型包括起始点、转折点和朝向点例如箭头等类型。当然，连接点的类型还可以根据实际需求进行设定，也可以由人工或设备自行设定。进一步的，连接点的类型不同，其对应的颜色也可以设置不同，例如类型为起始点的连接点其对应的颜色为绿色，类型为转折点的连接点其对应的颜色为红色，类型为朝向点的连接点其对应的颜色为黄色等。当然，连接点的类型对应的颜色可以根据实际需求进行设定，也可以根据人工或设备自行设定，本说明书不作具体限制。
在得到m个线条和n个连接点之后，执行步骤S102。
在步骤S102中，对目标结构图片进行结构识别，识别出k个图形器单元，其中，k例如可以为1、2、4和6等正整数。
本说明书实施例中，步骤S102可以与步骤S101同时执行，也可以先执行步骤S102后执行步骤S101等。
具体来讲，可以预先训练一个图形器识别模型，再通过图形器识别模型对目标结构图片进行结构识别，识别出目标结构图片中的所有图形器单元作为k个图形器单元，其中，每个图形器单元包括图形器形状和图形器位置，每个文本框包括文本框位置。当然，还可以直接利用图像识别技术对目标结构图片进行结构识别，识别出k个图形器单元，本说明书不作具体限制。
本说明书实施例中，每个图形器单元还包括与图形器形状对应的图形颜色，例如图形器形状为椭圆形，则图形颜色用蓝色表示；图形器形状为长方形，则图形颜色用绿色表示；以及图形器形状为菱形，则图形颜色用黄色表示。当然，图形器形状及其对应的颜色可以根据实际需求进行设定，也可以根据人工或设备自行设定，本说明书不作具体限制。
如此，在对目标结构图片进行结构识别之前，还需训练一个图形器识别模型，参见图2，图形器识别模型的训练步骤，包括：
S201、获取训练样本集，所述训练样本集中每个训练样本包括训练结构图片，及训练结构图片中的图形标注信息，图形标注信息包括图形器形状和图形器位置；
具体来讲，可以采集大量例如流程图和思维导图等结构图的图片数据，并对采集的每个图片数据包含的图形器进行标注，标注图形器形状和图形器位置，使得每个图片数据的图形标志信息包括图形器形状和图形器位置。当然，还可以标注图形器的颜色，此时，使得每个图片数据的图形标注信息还包括图形颜色。如此，将采集的每个图片数据及其对应的标注信息作为训练样本集。
S202、利用每个训练结构图片和每个训练结构图片中的图形标注信息进行模型训练，得到所述图形器识别模型。
具体来讲，可以预先设定一个初始模型，将每个训练结构图片的图形特征向量作为输入，每个训练结构图片中的图形标注信息作为输出，对初始模型进行训练，直至训练得到的模型满足约束条件，将满足约束条件的模型作为图形器识别模型，如此，使得图形器识别模型的预测准确度较高。约束条件例如可以分类准确度不小于设定准确度等，设定准确度可以根据实际需求进行设定，也可以由人工或设备自行设定，设定准确度例如为98％和95％等。
本说明书实施例中，图形器识别模型例如可以深度神经网络(Deep NeuralNetworks，简称DNN)、卷积网络(Convolutional Neural Networks，简称CNN)和循环神经网络(Recurrent Neural Networks，简称RNN)等。
如此，在训练得到图形器识别模型之后，提取目标结构图片中的图形特征向量，并将目标结构图片中的图形特征向量输入到图形器识别模型中，得到k个图形器单元，其中，每个图形器单元包括图形器形状和图形器位置。由于训练得到的图形器识别模型以每个训练结构图片中的图形标注信息作为输出，使得图形器识别模型的预测准确度较高，从而使得预测出的k个图形器单元的准确度也会较高。
在获取到k个图形器单元之后，执行步骤S103。
在步骤S103中，可以直接根据m个线条、n个连接点和k个图形器单元的位置，将m个线条、n个连接点和k个图形器单元，从而得到目标结构图片的连接器还原路径。
具体来讲，还可以根据m个线条和n个连接点之间的距离关系，获取m个线条与n个连接点之间的线点连接关系；再根据n个连接点与k个图形器之间的位置关系，获取n个连接点与k个图形器之间的图点连接关系；根据线点连接关系和图点连接关系，获取m个线条和n连接点组成的连接路径，并将连接路径作为连接器还原路径。
本说明书实施例中，在获取到图点连接关系时，可以到获取到每个连接点和每个图形器单元的匹配关系，可以获取到与图形器单元连接的每个连接点；如此，根据与图形器单元连接的每个连接点和线点连接关系，确定出m个线条与每个图形器单元组成的无向图，此时，可以将获取的无向图直接作为连接路径；也可以通过路径选择算法对无向图进行路径选择，得到处理后的无向图，将处理后的无向图作为连接路径。
具体地，在获取到每个连接点的类型之后，还可以根据每个连接点的类型、线点连接关系和图点连接关系，获取m个线条和n连接点组成的连接路径，并将连接路径作为连接器还原路径。
以及，在根据每个连接点的类型、线点连接关系和图点连接关系，获取m个线条和n连接点组成的连接路径时，可以根据每个连接点的类型、线点连接关系和图点连接关系，获取m个线条和n连接点组成的无向图；再通过路径选择算法对无向图进行路径选择，得到处理后的无向图，将处理后的无向图作为连接路径。
本说明书实施例中，路径选择算法可以是最短路径算法和最优路径算法等。
本说明书实施例中，在获取到图点连接关系时，可以到获取到每个连接点和每个图形器单元的匹配关系，可以获取到与图形器单元连接的每个连接点，由于获取到了每个连接点的类型，可以确定出类型为起始点的连接点与图形器单元的连接关系，以及确定出类型为朝向点的连接点与图形器单元的连接关系；如此，再根据与图形器单元连接的每个连接点和线点连接关系，确定出m个线条与每个图形器单元组成的无向图，此时，可以将获取的无向图直接作为连接路径；也可以通过路径选择算法对无向图进行路径选择，得到处理后的无向图，将处理后的无向图作为连接路径。
由于获取到的每个连接点的类型，可以确定出类型为起始点的连接点与图形器单元的连接关系，以及确定出类型为朝向点的连接点与图形器单元的连接关系，使得获取处理后的无向图能够确定出，每个线条中类型为起始点的连接点与第一图形器单元的连接关系，类型为朝向点的连接点与第二图形器单元的连接关系，如此，能够还原出每个线条的起始点和朝向点与图形器单元的连接关系，从而使得处理后的无向图与目标结构图片中的线条路径的匹配度更高，使得根据处理后的无向图获取的连接器还原路径的准确度也会更高，从而能够有效提高目标结构图片的连接器还原的准确性和还原效率。
例如，参见图3a，图3a中显示的图片30为目标结构图片，对图片30进行线条检测，得到线条301、线条302、线条303、线条304、线条305、线条306和线条307作为m个线条，再获取之间的所有线条交叉点及转折点为图3b中的连接点311、连接点312、连接点313、连接点314、连接点315、连接点316、连接点317、连接点318、连接点319、连接点320、连接点321、连接点322和连接点323作为n个连接点，其中，连接点311、连接点313、连接点315、连接点317、连接点319和连接点321的类型均为起始点，连接点312、连接点314、连接点316、连接点318和连接点323的类型均为箭头，连接点320和连接点322的类型均为转折点。
以及，通过图形器识别模型对图片30进行结构识别，得到图3c中的图形器单元331、图形器单元332、图形器单元333、图形器单元334、图形器单元335和图形器单元336作为k个图形器单元。
进一步的，根据每个连接点的类型、线点连接关系和图点连接关系，获取m个线条和n连接点组成的无向图；再通过路径选择算法对无向图进行路径选择，得到处理后的无向图，将处理后的无向图作为连接路径，然后将连接路径在绘图工具例如visio等中输出具体如图3d所示，从而可以在绘图工具中还原出图片30的连接器还原路径，其中，连接器还原路径与图片30中的连接器路径相同，从而实现了将图片30中的连接器路径进行还原的技术效果。
本申请实施例中的上述一个或至少一个技术方案，至少具有如下技术效果：
基于上述技术方案，对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点；对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元；根据所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径，如此可知，可以将n个连接点与m个线条进行匹配，再根据n个连接点与k个图形器之间的位置关系，将m个线条与k个图形器之间的连接关系，进而根据连接关系将目标结构图片的连接器的路径进行还原，得到连接器还原路径，确保了还原的准确性和还原效率。
针对上述实施例提供一种结构图的连接器还原方法，本申请实施例还对应提供一种结构图的连接器还原装置，请参考图4，该装置包括：
线条检测单元401，用于对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
结构识别单元402，用于对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
匹配单元403，用于将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
在一种可选的实施方式中，线条检测单元401，用于采用线条检测方法对所述目标结构图片进行线条识别，识别出所述m个线条；对所述m个线条进行连接点检测，得到所述n个连接点。
在一种可选的实施方式中，所述装置还包括：
连接点分类单元，用于在得到所述n个连接点之后，对所述n个连接点进行分类检测，得到所述n个连接点中每个连接点的类型。
在一种可选的实施方式中，结构识别单元402，用于通过预先训练的图像器识别模型对所述目标结构图片进行结构识别，识别出所述k个图形器单元，其中，每个图形器单元包括图形器形状和图形器位置。
在一种可选的实施方式中，所述装置还包括：
模型训练单元，用于获取训练样本集，所述训练样本集中每个训练样本包括训练结构图片，及训练结构图片中的图形标注信息，图形标注信息包括图形器形状和图形器位置；利用每个训练结构图片和每个训练结构图片中的图形标注信息进行模型训练，得到所述图形器识别模型。
在一种可选的实施方式中，匹配单元403，用于根据所述m个线条和所述n个连接点之间的距离关系，获取所述m个线条与所述n个连接点之间的线点连接关系；根据所述n个连接点与所述k个图形器之间的位置关系，获取所述n个连接点与所述k个图形器之间的图点连接关系；根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的连接路径，并将所述连接路径作为所述连接器还原路径。
在一种可选的实施方式中，匹配单元403，用于根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的无向图；通过路径选择算法对所述无向图进行路径选择，得到处理后的无向图，将所述处理后的无向图作为所述连接路径。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种用于结构图的连接器还原方法的电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/展现(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个展现接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为展现和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于展现音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种结构图的连接器还原方法，所述方法包括：
对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
此外，需要说明的是：本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或者计算机程序可以包括计算机指令，该计算机指令可以存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器可以执行该计算机指令，使得该计算机设备执行前文图1和图2所对应实施例中对结构图的连接器还原方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节，请参照本申请方法实施例的描述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.一种结构图的连接器还原方法，其特征在于，所述方法包括：
对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
2.如权利要求1所述的方法，其特征在于，所述对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，包括：
采用线条检测方法对所述目标结构图片进行线条识别，识别出所述m个线条；
对所述m个线条进行连接点检测，得到所述n个连接点。
3.如权利要求2所述的方法，其特征在于，在得到所述n个连接点之后，所述方法还包括：
对所述n个连接点进行分类检测，得到所述n个连接点中每个连接点的类型。
4.如权利要求3所述的方法，其特征在于，所述对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，包括：
通过预先训练的图像器识别模型对所述目标结构图片进行结构识别，识别出所述k个图形器单元，其中，每个图形器单元包括图形器形状和图形器位置。
5.如权利要求4所述的方法，其特征在于，所述图形器识别模型的训练步骤，包括：
获取训练样本集，所述训练样本集中每个训练样本包括训练结构图片，及训练结构图片中的图形标注信息，图形标注信息包括图形器形状和图形器位置；
利用每个训练结构图片和每个训练结构图片中的图形标注信息进行模型训练，得到所述图形器识别模型。
6.如权利要求5所述的方法，其特征在于，所述将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径，包括：
根据所述m个线条和所述n个连接点之间的距离关系，获取所述m个线条与所述n个连接点之间的线点连接关系；
根据所述n个连接点与所述k个图形器之间的位置关系，获取所述n个连接点与所述k个图形器之间的图点连接关系；
根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的连接路径，并将所述连接路径作为所述连接器还原路径。
7.如权利要求6所述的方法，其特征在于，所述根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的连接路径，包括：
根据每个连接点的类型、所述线点连接关系和所述图点连接关系，获取所述m个线条和所述n连接点组成的无向图；
通过路径选择算法对所述无向图进行路径选择，得到处理后的无向图，将所述处理后的无向图作为所述连接路径。
8.一种结构图的连接器还原装置，其特征在于，所述装置包括：
线条检测单元，用于对目标结构图片进行线条检测，获取到m个线条和所述m个线条对应的n个连接点，其中，m和n均为正整数；
结构识别单元，用于对所述目标结构图片进行结构识别，识别出所述目标结构图片中的k个图形器单元，其中，k为正整数；
匹配单元，用于将所述m个线条、所述n个连接点和所述k个图形器单元进行匹配，得到所述目标结构图片的连接器还原路径。
9.如权利要求8所述的装置，其特征在于，所述线条检测单元，用于采用线条检测方法对所述目标结构图片进行线条识别，识别出所述m个线条；对所述m个线条进行连接点检测，得到所述n个连接点。
10.如权利要求9所述的装置，其特征在于，还包括：
连接点分类单元，用于在得到所述n个连接点之后，对所述n个连接点进行分类检测，得到所述n个连接点中每个连接点的类型。
11.一种电子设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上的程序存储于存储器中，且经配置以由一个或者一个以上的处理器执行所述一个或者一个以上的程序所包含的用于进行如权利要求1～7任一所述方法对应的操作指令。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7任一所述方法对应的步骤。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中，且适于由处理器读取并执行，以使得具有所述处理器的计算机设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111274776.9A CN114155160A (zh) | 2021-10-29 | 2021-10-29 | 结构图的连接器还原方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111274776.9A CN114155160A (zh) | 2021-10-29 | 2021-10-29 | 结构图的连接器还原方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114155160A true CN114155160A (zh) | 2022-03-08 |
Family
ID=80458933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111274776.9A Pending CN114155160A (zh) | 2021-10-29 | 2021-10-29 | 结构图的连接器还原方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114155160A (zh) |
-
2021
- 2021-10-29 CN CN202111274776.9A patent/CN114155160A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651955B (zh) | 图片中目标物的定位方法及装置 | |
| US10452890B2 (en) | Fingerprint template input method, device and medium | |
| EP3226204A1 (en) | Method and apparatus for intelligently capturing image | |
| CN107692997B (zh) | 心率检测方法及装置 | |
| CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
| CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
| CN112991553B (zh) | 信息展示方法及装置、电子设备和存储介质 | |
| CN104918107A (zh) | 视频文件的标识处理方法及装置 | |
| CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| US11961278B2 (en) | Method and apparatus for detecting occluded image and medium | |
| US11335348B2 (en) | Input method, device, apparatus, and storage medium | |
| EP3147802A1 (en) | Method and apparatus for processing information | |
| CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| US20220222831A1 (en) | Method for processing images and electronic device therefor | |
| CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
| CN110930351A (zh) | 一种光斑检测方法、装置及电子设备 | |
| CN106331328B (zh) | 信息提示的方法及装置 | |
| CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
| WO2022134390A1 (zh) | 标注方法及装置、电子设备和存储介质 | |
| CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
| CN110738267B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN113506324B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112784858B (zh) | 一种图像数据的处理方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |