CN114661930A - 基于可拓展标记语言的位图处理方法、装置及设备 - Google Patents

基于可拓展标记语言的位图处理方法、装置及设备 Download PDF

Info

Publication number
CN114661930A
CN114661930A CN202210566645.6A CN202210566645A CN114661930A CN 114661930 A CN114661930 A CN 114661930A CN 202210566645 A CN202210566645 A CN 202210566645A CN 114661930 A CN114661930 A CN 114661930A
Authority
CN
China
Prior art keywords
pixel point
neighborhood
effective
category
boundary
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.)
Granted
Application number
CN202210566645.6A
Other languages
English (en)
Other versions
CN114661930B (zh
Inventor
周振彬
娄珂
宾朝林
秦文礼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Dingjiang Technology Co ltd
Original Assignee
Shenzhen Dingjiang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Dingjiang Technology Co ltd filed Critical Shenzhen Dingjiang Technology Co ltd
Priority to CN202210566645.6A priority Critical patent/CN114661930B/zh
Publication of CN114661930A publication Critical patent/CN114661930A/zh
Application granted granted Critical
Publication of CN114661930B publication Critical patent/CN114661930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于可拓展标记语言的位图处理方法及装置，该方法包括：在获取到待处理的滤波位图后，按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果，从而生成每个像素点的有效邻域，并根据与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域并对所有连通区域进行同类划分，得到多个类别的有效区域；分析每个类别的有效区域，得到该类别的有效区域对应的顺序树结构、边界拟合结构，基于所有像素点的顺序树结构、边界拟合结构，生成图像的文档。可见，实施本发明能够将输入图片转化为兼容性矢量化数据，从而适应不同数据应用场景。

Description

基于可拓展标记语言的位图处理方法、装置及设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于可拓展标记语言的位图处理方法、装置及设备。
背景技术
在非结构化数据的结构化处理中，经常需要处理大量的数据，且不同数据所归属的数据类型也各不相同，其中，图片、视频等这一类别的数据是进行数据处理中较为常见的数据类型。通常情况下，这类型的数据资料是以位图的形式进行存储，在对该类别的数据进行结构化转化的过程中，一般需要把位图转为矢量图，来满足用户的体验。
然而，将位图转换为矢量图所采用的技术手段复杂多样，最终转化得到的数据格式也会因转化时所采用的技术手段不同，得到格式各异的数据；此外，大多数技术将位图转换为矢量图之后，存在与文本类型的数据格式无法兼容的问题，存在较大的局限性，可见，提供一种实现位图矢量化且兼容文本数据的方案显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种基于可拓展标记语言的位图处理方法及装置，能够将输入位图转化为矢量化数据，从而适应不同的数据应用场景，包括兼容文本类型的数据，提高了用户使用矢量化数据的使用体验。
为了解决上述技术问题，本发明第一方面公开了一种基于可拓展标记语言的位图处理方法，所述方法包括：
在获取到待处理的滤波位图后，按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，每个所述像素点对应的邻域关联标记结果包括在该像素点的所述预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，所述滤波位图为对输入的图像执行图像滤波处理操作后得到的位图；
根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域，并根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，每个所述连通区域所包含的所有所述像素点中每相邻两个所述像素点之间的关联标识用于表示该相邻两个所述像素点之间相互连接的；
根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域，并分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构；
基于所有所述像素点的顺序树结构以及所述边界拟合结构，生成所述图像的文档。
作为一种可选的实施方式，在本发明第一方面中，所述按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，包括：
按照预设邻域范围及确定出的标记分析算法分别计算所述滤波位图中每个像素点，在确定出的色彩空间的关联参数；
分析每个所述像素点的关联参数，得到多个像素点集合，每个所述像素点集合均为所述预设邻域的集合且每个所述像素点集合中每个所述像素点的关联参数均归属于同一参数区间内且每个所述像素点集合所归属的参数区间的取值不同；
对每个所述像素点集合所包括的所有所述像素点中每个所述像素点与该像素点相邻的其他像素点之间构建对应的初始关联标识，将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果；
所述将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果之前，所述方法还包括：
针对任一所述像素点集合，根据所述像素点集合中每个所述像素点与该像素点之间的所述初始关联标识，确定所述像素点集合的标记类别，所述像素点标记类别包第一类别和/或第二类别，所述第一类别用于表示预设第一数量个的所有像素点中两两像素点之间均存在对应的所述初始关联标识；所述第二类别用于表示预设第二数量个的所有像素点中仅存在对角像素点存在对应的所述初始关联标识；
当所述像素点集合的标记类别包括所述第一类别时，移除所述像素点集合中所述标记类别为所述第一类别的所有所述像素点中对角像素点之间的所述初始关联标识，得到所述像素点集合中所述标记类别为所述第一类别的每个所述像素点的优化关联标识，以及所述将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果操作，包括：
将所述标记类别为所述第一类别的每个所述像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除所述标记类别为所述第一类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果；
当所述像素点集合的标记类别包括所述第二类别时，从所述像素点集合的所有所述像素点中筛选所述标记类别为所述第二类别的所有所述像素点，并将所述标记类别为所述第二类别的所有所述像素点划分为至少一个像素点集合，每个像素点集合包括两个子像素点集合，每个所述像素点集合中每个所述子像素点集合包括两个像素点且该两个像素点为该像素点集合中对角方向上的像素点；
分析每个像素点集合包括的每个所述子像素点集合中每个所述像素点的关联参数，得到该像素点集合对应的优化关联标识，每个所述像素点集合对应的优化关联标识通过保留每个所述子像素点集合对应的关联参数较小的每个所述像素点的初始关联标识以及删除每个所述子像素点集合对应的关联参数较大的每个所述像素点的初始关联标识后得到；
将所述标记类别为所述第二类别的每个所述像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除所述标记类别为所述第二类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果。
作为一种可选的实施方式，在本发明第一方面中，所述根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域，包括：
对于任一所述像素点，以所述像素点所在位置为中心构建所述像素点对应的初始邻域，所述初始邻域存在多个邻域顶点；
对于所述像素点对应的初始邻域中任一所述邻域顶点，判断所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间是否存在关联标识，当判断出所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间存在所述关联标识时，对所述邻域顶点执行顶点分裂操作，得到所述邻域顶点的顶点分裂结果，所述邻域顶点的顶点分裂结果包括两个子邻域顶点，且所述邻域顶点对应的两个所述子邻域顶点之间的连线中点与该邻域顶点重合；
根据每个所述像素点对应的所有所述邻域顶点的顶点分裂结果、每个所述像素点对应的初始邻域以及每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域。
作为一种可选的实施方式，在本发明第一方面中，每个所述像素点对应的邻域关联标记结果还包括每个所述像素点的色彩数据；以及所述根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，包括：
根据每个所述像素点的色彩数据以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域；
所述方法还包括：
根据每个所述连通区域的每个所述像素点的色彩数据，计算该连通区域对应的色彩参数；
基于每个所述连通区域对应的色彩参数对该连通区域执行颜色填充操作；
其中，所述根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域，包括：
根据每个所述像素点的有效邻域、每个所述连通区域对应的色彩参数以及预先确定出的色彩划分标准，对所有所述连通区域进行同类划分，得到多个类别的有效区域，所述色彩划分标准用于表示同一所述连通区域内的所有所述像素点对应的色彩参数归属于同一个预设的色彩取值区间。
作为一种可选的实施方式，在本发明第一方面中，所述分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构，包括：
根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数，并根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果，所述图像层叠结果包括每个所述类别的有效区域对应的顺序树结构，所述顺序树结构的类型包括主树结构类型以及至少一层子树结构类型；
根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果，所述边界拟合结果中每个所述类别的有效区域对应的结构为确定出的边界拟合结构。
作为一种可选的实施方式，在本发明第一方面中，所述根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数，包括：
根据确定出的边界拟合算法，遍历每个所述类别的有效区域最外层边界的边界数据，得到每个所述类别的有效区域对应的特征数据，每个所述类别的有效区域对应的特征数据包括每个所述类别的有效区域对应的区域边数据、区域顶点数据以及区域色彩数据；
根据所述边界拟合算法，计算每个所述类别的有效区域对应的区域覆盖面积；
将每个所述类别的有效区域对应的特征数据、每个所述类别的有效区域对应的区域覆盖面积确定为每个所述类别的有效区域对应的边界拟合参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果，包括：
根据预设的顺序树构建算法，对每个所述类别的有效区域对应的区域覆盖面积按照面积大小进行排序，得到面积排序结果，所述区域覆盖面积越大，在所述面积排序结果中的排序越靠前；
根据所述面积排序结果对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域的顺序树，并将所有所述类别的有效区域的顺序树确定为图像层叠结果，其中每个所述类别的有效区域对应的区域覆盖面积越大，在所述顺序树中的图层位置越靠下；
所述根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果，包括：
判断所有所述类别的有效区域对应的最外层边界中是否存在共享边界，所述共享边界为预设第三数量个的所述类别的有效区域各自对应的最外层边界中发生边界重合对应的边界；
当判断出所有所述类别的有效区域对应的最外层边界中存在共享边界时，从所有所述类别的有效区域中，确定每个共享边界对应的所有共享区域，以及确定所有所述共享区域之间两两所述共享区域各自的区域边界对应形成的边界夹角，并按照边界夹角对应的角度大小分别对每个所述共享区域对应的边界夹角进行排序，得到所有两两所述共享区域对应的边界夹角的边界夹角排序结果，其中所述边界夹角对应的角度越大，在所述边界夹角排序结果中的排序越靠前、执行边界拟合操作的执行优先级越高；
对比所述面积排序结果以及所述边界夹角排序结果，得到共享边界名单，所述共享边界名单为所述面积排序结果与所述边界夹角排序结果中所有相同的所述类别的有效区域对应的名单；
根据所述共享边界名单更新所述面积排序结果，并根据所述边界拟合算法以及更新后的所述面积排序结果，对每个所述类别的有效区域对应的最外层边界执行所述边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果。
本发明第二方面公开了一种基于可拓展标记语言的位图处理装置，所述装置包括：
关联标记模块，用于在获取到待处理的滤波位图后，按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，每个所述像素点对应的邻域关联标记结果包括在该像素点的所述预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，所述滤波位图为对输入的图像执行图像滤波处理操作后得到的位图；
生成模块，用于根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域；
划分模块，用于根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，每个所述连通区域所包含的所有所述像素点中每相邻两个所述像素点之间的关联标识用于表示该相邻两个所述像素点之间相互连接；
所述划分模块，还用于根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域；
分析模块，用于分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构；
所述生成模块，还用于基于所有所述像素点的顺序树结构以及所述边界拟合结构，生成所述图像的文档。
作为一种可选的实施方式，在本发明第二方面中，所述关联标记模块包括：
计算子模块，用于按照预设邻域范围及确定出的标记分析算法分别计算所述滤波位图中每个像素点，在确定出的色彩空间的关联参数；
分析子模块，用于分析每个所述像素点的关联参数，得到多个像素点集合，每个所述像素点集合均为所述预设邻域的集合且每个所述像素点集合中每个所述像素点的关联参数均归属于同一参数区间内且每个所述像素点集合所归属的参数区间的取值不同；
确定子模块，用于对每个所述像素点集合所包括的所有所述像素点中每个所述像素点与该像素点相邻的其他像素点之间构建对应的初始关联标识，将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果；
所述确定子模块，还用于在将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果之前，针对任一所述像素点集合，根据所述像素点集合中每个所述像素点与该像素点之间的所述初始关联标识，确定所述像素点集合的标记类别，所述像素点标记类别包第一类别和/或第二类别，所述第一类别用于表示预设第一数量个的所有像素点中两两像素点之间均存在对应的所述初始关联标识；所述第二类别用于表示预设第二数量个的所有像素点中仅存在对角像素点存在对应的所述初始关联标识；
以及所述确定子模块将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果操作的方式具体包括：
当所述像素点集合的标记类别包括所述第一类别时，移除所述像素点集合中所述标记类别为所述第一类别的所有所述像素点中对角像素点之间的所述初始关联标识，得到所述像素点集合中所述标记类别为所述第一类别的每个所述像素点的优化关联标识；
将所述标记类别为所述第一类别的每个所述像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除所述标记类别为所述第一类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果；
当所述像素点集合的标记类别包括所述第二类别时，对比所述预设第二数量个的所有像素点中两两对角像素点各自的关联参数，得到所有所述两两对角像素点中关联参数数值较大的第一对角像素点，并删除所有所述第一对角像素点对应的所述初始关联标识，以将所有所述第一对角像素点对应的所述初始关联标识更新为优化关联标识；
将所有所述两两对角像素点中关联参数数值较小的第二对角像素点对应的初始关联标识、所有所述第一对角像素点对应的优化关联标识确定为每个所述像素点对应的邻域关联标记结果。
作为一种可选的实施方式，在本发明第二方面中，所述生成模块根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域的方式具体包括：
对于任一所述像素点，以所述像素点所在位置为中心构建所述像素点对应的初始邻域，所述初始邻域存在多个邻域顶点；
对于所述像素点对应的初始邻域中任一所述邻域顶点，判断所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间是否存在关联标识，当判断出所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间存在所述关联标识时，对所述邻域顶点执行顶点分裂操作，得到所述邻域顶点的顶点分裂结果，所述邻域顶点的顶点分裂结果包括两个子邻域顶点，且所述邻域顶点对应的两个所述子邻域顶点之间的连线中点与该邻域顶点重合；
根据每个所述像素点对应的所有所述邻域顶点的顶点分裂结果、每个所述像素点对应的初始邻域以及每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域。
作为一种可选的实施方式，在本发明第二方面中，每个所述像素点对应的邻域关联标记结果还包括每个所述像素点的色彩数据；以及所述划分模块根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域的方式具体包括：
根据每个所述像素点的色彩数据以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域；
所述装置还包括：
计算模块，用于根据每个所述连通区域的每个所述像素点的色彩数据，计算该连通区域对应的色彩参数；
填充模块，用于基于每个所述连通区域对应的色彩参数对该连通区域执行颜色填充操作；
其中，所述划分模块根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域的方式具体包括：
根据每个所述像素点的有效邻域、每个所述连通区域对应的色彩参数以及预先确定出的色彩划分标准，对所有所述连通区域进行同类划分，得到多个类别的有效区域，所述色彩划分标准用于表示同一所述连通区域内的所有所述像素点对应的色彩参数归属于同一个预设的色彩取值区间。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构的方式具体包括：
根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数，并根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果，所述图像层叠结果包括每个所述类别的有效区域对应的顺序树结构，所述顺序树结构的类型包括主树结构类型以及至少一层子树结构类型；
根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果，所述边界拟合结果中每个所述类别的有效区域对应的结构为确定出的边界拟合结构。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数的方式具体包括：
根据确定出的边界拟合算法，遍历每个所述类别的有效区域最外层边界的边界数据，得到每个所述类别的有效区域对应的特征数据，每个所述类别的有效区域对应的特征数据包括每个所述类别的有效区域对应的区域边数据、区域顶点数据以及区域色彩数据；
根据所述边界拟合算法，计算每个所述类别的有效区域对应的区域覆盖面积；
将每个所述类别的有效区域对应的特征数据、每个所述类别的有效区域对应的区域覆盖面积确定为每个所述类别的有效区域对应的边界拟合参数。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果的方式具体包括：
根据预设的顺序树构建算法，对每个所述类别的有效区域对应的区域覆盖面积按照面积大小进行排序，得到面积排序结果，所述区域覆盖面积越大，在所述面积排序结果中的排序越靠前；
根据所述面积排序结果对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域的顺序树，并将所有所述类别的有效区域的顺序树确定为图像层叠结果，其中每个所述类别的有效区域对应的区域覆盖面积越大，在所述顺序树中的图层位置越靠下；
所述分析模块根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果的方式具体包括：
判断所有所述类别的有效区域对应的最外层边界中是否存在共享边界，所述共享边界为预设第三数量个的所述类别的有效区域各自对应的最外层边界中发生边界重合对应的边界；
当判断出所有所述类别的有效区域对应的最外层边界中存在共享边界时，从所有所述类别的有效区域中，确定每个共享边界对应的所有共享区域，以及确定所有所述共享区域之间两两所述共享区域各自的区域边界对应形成的边界夹角，并按照边界夹角对应的角度大小分别对每个所述共享区域对应的边界夹角进行排序，得到所有两两所述共享区域对应的边界夹角的边界夹角排序结果，其中所述边界夹角对应的角度越大，在所述边界夹角排序结果中的排序越靠前、执行边界拟合操作的执行优先级越高；
对比所述面积排序结果以及所述边界夹角排序结果，得到共享边界名单，所述共享边界名单为所述面积排序结果与所述边界夹角排序结果中所有相同的所述类别的有效区域对应的名单；
根据所述共享边界名单更新所述面积排序结果，并根据所述边界拟合算法以及更新后的所述面积排序结果，对每个所述类别的有效区域对应的最外层边界执行所述边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果。
本发明第三方面公开了另一种基于可拓展标记语言的位图处理装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于可拓展标记语言的位图处理方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于可拓展标记语言的位图处理方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，提供了一种基于可拓展标记语言的位图处理方法，该方法包括：在获取到待处理的滤波位图后，按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果，每个像素点对应的邻域关联标记结果包括在该像素点的预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，滤波位图为对输入的图像执行图像滤波处理操作后得到的位图；根据每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域，并根据每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域，每个连通区域所包含的所有像素点中每相邻两个像素点之间的关联标识用于表示该相邻两个像素点之间相互连接的；根据每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域，并分析每个类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构；基于所有像素点的顺序树结构以及边界拟合结构，生成图像的文档。可见，实施本发明，能够在获取到滤波位图后，智能化构建滤波位图中每个像素点的关联标识，进而根据构建出的关联标识对归属于同一颜色的像素点进行区域划分，进而在区域划分的同时实现对滤波位图的矢量化特征提取以及边界拟合构建，得到对应的顺序树结构以及边界拟合结构，实现了对滤波位图数据的矢量化功能，最终得到的顺序树结构、边界拟合结构等矢量化数据用于转化、封装为所需格式的数据，提供了一种兼容多种应用场景的位图处理方法，解决图片文档数据不兼容文本数据类型的问题，有利于提高用户使用矢量化数据时的使用体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例公开的一种基于可拓展标记语言的位图处理方法的流程示意图；
图2是本发明实施例公开的另一种基于可拓展标记语言的位图处理方法的流程示意图；
图3是本发明实施例公开的一种基于可拓展标记语言的位图处理装置的结构示意图；
图4是本发明实施例公开的另一种基于可拓展标记语言的位图处理装置的结构示意图；
图5是本发明实施例公开的又一种基于可拓展标记语言的位图处理装置的结构示意图；
图6是本发明实施例公开的又一种基于可拓展标记语言的位图处理方法的流程示意图；
图7-1是本发明实施例公开的当标记类别为第一类别时关联标识的优化效果图；
图7-2是本发明实施例公开的当标记类别为第二类别时关联标识的优化效果图；
图7-3是本发明实施例中对每个像素点执行邻域关联标记操作后得到的效果图；
图7-4为本发明实施例中对每个像素点对应的邻域关联标记执行标记优化后得到的优化效果图；
图8是本发明实施例中对角像素点的像素邻域重构对应的效果变化图；
图9是本发明实施例中对所有像素点进行区域划分得到多个连通区域对应的效果图；
图10为本发明实施例中对所有像素点进行区域合并以及邻域分割对应的效果图；
图11为本发明实施例中实施基于可拓展标记语言的位图处理方法后的优化效果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于可拓展标记语言的位图处理方法及装置，能够在获取到滤波位图后，智能化构建滤波位图中每个像素点的关联标识，进而根据构建出的关联标识对归属于同一颜色的像素点进行区域划分，进而在区域划分的同时实现对滤波位图的矢量化特征提取以及边界拟合构建，得到对应的顺序树结构以及边界拟合结构，实现了对滤波位图数据的矢量化功能，最终得到的顺序树结构、边界拟合结构等矢量化数据用于转化、封装为所需格式的数据，提供了一种兼容多种应用场景的位图处理方法，解决图片文档数据不兼容文本数据类型的问题，有利于提高用户使用矢量化数据时的使用体验。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于可拓展标记语言的位图处理方法的流程示意图。其中，图1所描述的基于可拓展标记语言的位图处理方法可以应用于基于可拓展标记语言的位图处理装置中，本发明实施例不做限定。如图1所示，该基于可拓展标记语言的位图处理方法可以包括以下操作：
101、在获取到待处理的滤波位图后，按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果。
本发明实施例中，每个像素点对应的邻域关联标记结果包括在该像素点的预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，滤波位图为对输入的图像执行图像滤波处理操作后得到的位图，该预设邻域范围可以为8邻域范围，本发明实施例不做限定。
本发明实施例中，可选的，步骤101按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果的方式具体可以包括以下操作：
按照预设邻域范围及确定出的标记分析算法分别计算滤波位图中每个像素点，在确定出的色彩空间的关联参数；
分析每个像素点的关联参数，得到多个像素点集合，每个像素点集合均为预设邻域的集合且每个像素点集合中每个像素点的关联参数均归属于同一参数区间内且每个像素点集合所归属的参数区间的取值不同；
对每个像素点集合所包括的所有像素点中每个像素点与该像素点相邻的其他像素点之间构建对应的初始关联标识，将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果；
上述将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果之前，该方法还可以包括以下操作：
针对任一像素点集合，根据像素点集合中每个像素点与该像素点之间的初始关联标识，确定像素点集合的标记类别，像素点标记类别包第一类别和/或第二类别，第一类别用于表示预设第一数量个的所有像素点中两两像素点之间均存在对应的初始关联标识；第二类别用于表示预设第二数量个的所有像素点中仅存在对角像素点存在对应的初始关联标识；
当像素点集合的标记类别包括第一类别时，移除像素点集合中标记类别为第一类别的所有像素点中对角像素点之间的初始关联标识，得到像素点集合中标记类别为第一类别的每个像素点的优化关联标识，以及上述将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果操作的方式具体可以包括以下操作：
将标记类别为第一类别的每个像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除标记类别为第一类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果；
当像素点集合的标记类别包括第二类别时，从像素点集合的所有像素点中筛选标记类别为第二类别的所有像素点，并将标记类别为第二类别的所有像素点划分为至少一个像素点集合，每个像素点集合包括两个子像素点集合，每个像素点集合中每个子像素点集合包括两个像素点且该两个像素点为该像素点集合中对角方向上的像素点；
分析每个像素点集合包括的每个子像素点集合中每个像素点的关联参数，得到该像素点集合对应的优化关联标识，每个像素点集合对应的优化关联标识通过保留每个子像素点集合对应的关联参数较小的每个像素点的初始关联标识以及删除每个子像素点集合对应的关联参数较大的每个像素点的初始关联标识后得到；
将标记类别为第二类别的每个像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除标记类别为第二类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果。
本发明实施例中，需要说明的是，该色彩空间可以为YUV空间、HSV空间或RGB空间，本发明实施例不做限定；进一步的，每个像素点关联参数具体为计算每个像素点的范数，具体的，每个像素点的Lp范数的计算方法如下：
dR(X,Y)=||X-Y||P
其中，X，Y分别为每个像素点在定义出的R空间下的像素向量，本发明实施例不做限定。
本发明实施例中，需要说明的是，预设第一数量以及预设第二数量均可以取大于等4的数字，本发明实施例不做限定。
本发明实施例中，请参阅图7-1，图7-1为本发明提供的当标记类别为第一类别时关联标识的优化效果图，请参阅图7-2，，图7-2为本发明提供的当标记类别为第二类别时关联标识的优化效果图，请参阅图7-3以及图7-4，图7-3为本发明实施例中对每个像素点执行邻域关联标记操作后得到的效果图，图7-4为本发明实施例中对每个像素点对应的邻域关联标记执行标记优化后得到的效果图。
可见，本发明实施例中，通过计算每个像素点在特定色彩空间下的范数值，来构建每个像素点与其他像素点之间的关联标识，进一步的，还提供了两种对构建出的关联标识的优化方式，一定程度上减少了构建出的每个像素点与其他像素点之间的关联标识的数量，也即提高了每个像素点与其他像素点的关联性，有利于提高后续对归属于同一颜色的像素点进行区域划分时得到的划分结果的准确性以及划分效率。
102、根据每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域。
本发明实施例中，可选的，步骤102根据每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域的方式具体可以包括以下操作：
对于任一像素点，以像素点所在位置为中心构建像素点对应的初始邻域，初始邻域存在多个邻域顶点；
对于像素点对应的初始邻域中任一邻域顶点，判断像素点与从像素点所在位置指向对应的初始邻域中邻域顶点方向上最近的像素点之间是否存在关联标识，当判断出像素点与从像素点所在位置指向对应的初始邻域中邻域顶点方向上最近的像素点之间存在关联标识时，对邻域顶点执行顶点分裂操作，得到邻域顶点的顶点分裂结果，邻域顶点的顶点分裂结果包括两个子邻域顶点，且邻域顶点对应的两个子邻域顶点之间的连线中点与该邻域顶点重合；
根据每个像素点对应的所有邻域顶点的顶点分裂结果、每个像素点对应的初始邻域以及每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域。
本发明实施例中，请参阅图8，图8为本发明实施例中对角像素点的像素邻域重构对应的效果变化图。
可见，本发明实施例中，能够智能化构建每个像素点的像素邻域，并针对对角像素点之间存在关联标识的情况进一步重构该两个对角像素点的像素邻域，从而精准确定出每个像素点对应的有效邻域，一定程度上提高了后续进行同颜色像素点的划分时得到的划分结果的准确性以及可靠性。
103、根据每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域。
本发明实施例中，请参阅图9，图9为本发明实施例中对所有像素点进行区域划分得到多个连通区域对应的效果图。
本发明实施例中，每个连通区域所包含的所有像素点中每相邻两个像素点之间的关联标识用于表示该相邻两个像素点之间相互连接的。
本发明实施例中，每个像素点对应的邻域关联标记结果还包括每个像素点的色彩数据；以及步骤103根据每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域的方式具体可以包括以下操作：
根据每个像素点的色彩数据以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域；
以及该方法还可以包括以下操作：
根据每个连通区域的每个像素点的色彩数据，计算该连通区域对应的色彩参数；
基于每个连通区域对应的色彩参数对该连通区域执行颜色填充操作；
其中，根据每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域，包括：
根据每个像素点的有效邻域、每个连通区域对应的色彩参数以及预先确定出的色彩划分标准，对所有连通区域进行同类划分，得到多个类别的有效区域，色彩划分标准用于表示同一连通区域内的所有像素点对应的色彩参数归属于同一个预设的色彩取值区间。
本发明实施例中，需要说明的是，色彩参数具体可以为计算每个连通区域中所有像素点对应的色彩数据的均值、极值或分段特征值，本发明实施例不做限定。
本发明实施例中，请参阅图10，图10为本发明实施例中对所有像素点进行区域合并以及邻域分割对应的效果图。
可见，本发明实施例中，能够通过每个像素点的色彩数据智能化对所有像素点的区域划分以及同类别区域的划分，也即实现对整个滤波位图中归属于同一颜色的像素点进行数据划分，有利于提高后续构建顺序树的构建效率以及提高执行边界拟合操作时处理数据的拟合效率。
104、根据每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域。
105、分析每个类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构。
106、基于所有像素点的顺序树结构以及边界拟合结构，生成图像的文档。
本发明实施例中，请参阅图11，图11为本发明实施例中实施如步骤101-步骤106对应的基于可拓展标记语言的位图处理方法后的优化效果图。
本发明实施例中，生成图像的文档之后，该文档数据可以进一步封装转化为所需的矢量化格式文件，如svg格式文件，本发明实施例不做限定。
可见，实施图1所描述的基于可拓展标记语言的位图处理方法，能够在获取到滤波位图后，智能化构建滤波位图中每个像素点的关联标识，进而根据构建出的关联标识对归属于同一颜色的像素点进行区域划分，进而在区域划分的同时实现对滤波位图的矢量化特征提取以及边界拟合构建，得到对应的顺序树结构以及边界拟合结构，实现了对滤波位图数据的矢量化功能，最终得到的顺序树结构、边界拟合结构等矢量化数据用于转化、封装为所需格式的数据，提供了一种兼容多种应用场景的位图处理方法，解决图片文档数据不兼容文本数据类型的问题，有利于提高用户使用矢量化数据时的使用体验。
实施例二
请参阅图2以及图6，图2是本发明实施例公开的另一种基于可拓展标记语言的位图处理方法的流程示意图，图6是本发明实施例公开的又一种基于可拓展标记语言的位图处理方法的流程示意图。其中，图2及图6所描述的基于可拓展标记语言的位图处理方法可以应用于基于可拓展标记语言的位图处理装置中，本发明实施例不做限定。如图2所示，该基于可拓展标记语言的位图处理方法可以包括以下操作：
201、在获取到待处理的滤波位图后，按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果。
202、根据每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域。
203、根据每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域。
204、根据每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域。
205、根据确定出的边界拟合算法，确定每个类别的有效区域对应的边界拟合参数。
本发明实施例中，可选的，步骤105根据确定出的边界拟合算法，确定每个类别的有效区域对应的边界拟合参数的方式具体可以包括以下操作：
根据确定出的边界拟合算法，遍历每个类别的有效区域最外层边界的边界数据，得到每个类别的有效区域对应的特征数据，每个类别的有效区域对应的特征数据包括每个类别的有效区域对应的区域边数据、区域顶点数据以及区域色彩数据；
根据边界拟合算法，计算每个类别的有效区域对应的区域覆盖面积；
将每个类别的有效区域对应的特征数据、每个类别的有效区域对应的区域覆盖面积确定为每个类别的有效区域对应的边界拟合参数。
可见，本发明实施例中，在实现对同类的有效区域划分后，能够智能化遍历每个类别的有效区域最外层边界的边界数据，并自动计算每个类别的有效区域对应的区域覆盖面积，为后续构建顺序树结构以及执行边界拟合提供数据支撑，一定程度上提高了后续构建顺序树结构的构建效率以及执行边界拟合操作的拟合效率。
206、根据每个类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域对应的图像层叠结果。
本发明实施例中，每个类别的有效区域对应的图像层叠结果包括每个类别的有效区域对应的顺序树结构，顺序树结构的类型包括主树结构类型以及至少一层子树结构类型，其中，主树结构对应的层级高于子树结构对应的层级。
207、根据边界拟合算法，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果。
本发明实施例中，可选的，步骤206根据每个类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域对应的图像层叠结果的方式具体可以包括以下操作：
根据预设的顺序树构建算法，对每个类别的有效区域对应的区域覆盖面积按照面积大小进行排序，得到面积排序结果，区域覆盖面积越大，在面积排序结果中的排序越靠前；
根据面积排序结果对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域的顺序树，并将所有类别的有效区域的顺序树确定为图像层叠结果，其中每个类别的有效区域对应的区域覆盖面积越大，在顺序树中的图层位置越靠下；
以及，步骤207根据边界拟合算法，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果的方式具体可以包括以下操作：
判断所有类别的有效区域对应的最外层边界中是否存在共享边界，共享边界为预设第三数量个的类别的有效区域各自对应的最外层边界中发生边界重合对应的边界；
当判断出所有类别的有效区域对应的最外层边界中存在共享边界时，从所有类别的有效区域中，确定每个共享边界对应的所有共享区域，以及确定所有共享区域之间两两共享区域各自的区域边界对应形成的边界夹角，并按照边界夹角对应的角度大小分别对每个共享区域对应的边界夹角进行排序，得到所有两两共享区域对应的边界夹角的边界夹角排序结果，其中边界夹角对应的角度越大，在边界夹角排序结果中的排序越靠前、执行边界拟合操作的执行优先级越高；
对比面积排序结果以及边界夹角排序结果，得到共享边界名单，共享边界名单为面积排序结果与边界夹角排序结果中所有相同的类别的有效区域对应的名单；
根据共享边界名单更新面积排序结果，并根据边界拟合算法以及更新后的面积排序结果，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果。
本发明实施例中，需要说明的是，针对每个类别的有效区域对应的最外层边界执行边界拟合操作时，所采用的拟合方法可以为采用B样条曲线、埃尔米特多项式曲线、贝塞尔曲线等等拟合方法；此外，预设第三数量可以大于等于2的数字，本发明实施例不做限定。
可见，本发明实施例中，能够根据每个类别的有效区域对应的区域覆盖面积按顺序智能化叠加构建顺序树，提高了构建出的顺序树的可靠性以及准确性，还能够提供一种边界优化算法，通过确定并处理共享边界，实现针对不同类别的有效区域出现边界重叠现象时的边界线、边界点的压缩优化，减少了进行边界拟合算法时所需处理的数据量，一定程度上提高了边界拟合操作的拟合效率以及得到的拟合结果的准确性。
208、基于所有像素点的顺序树结构以及边界拟合结构，生成图像的文档。
本发明实施例中，针对步骤201-步骤204以及步骤208的其他描述请参阅实施例一中针对步骤101-步骤104以及步骤106的其他具体描述，本发明实施例不再赘述。
可见，实施图2所描述的基于可拓展标记语言的位图处理方法，能够在获取到滤波位图后，智能化构建滤波位图中每个像素点的关联标识，进而根据构建出的关联标识对归属于同一颜色的像素点进行区域划分，进而在区域划分的同时智能化确定不同类别的有效区域对应的边界拟合参数，根据边界拟合参数智能化构建得到对应的顺序树结构以及边界拟合结构，实现了对滤波位图数据的矢量化功能，最终得到的顺序树结构、边界拟合结构等矢量化数据用于转化、封装为所需格式的数据，提供了一种兼容多种应用场景的位图处理方法，解决图片文档数据不兼容文本数据类型的问题，有利于提高用户使用矢量化数据时的使用体验。
在一个可选的实施例中，上述根据面积排序结果对所有类别的区域执行图像层叠操作的过程中，该方法还可以包括以下操作：
判断不同类别的区域之间是否存在图像重叠，当判断出不同类别的区域之间存在图像重叠时，将图像重叠中类别的区域在面积排序结果中排序靠前的类别的区域作为目标树对应的主树，将图像重叠中类别的区域在面积排序结果中排序靠后的类别的区域划分为主树的子树。
本该可选的实施例中，需要说明的是，在按照每个类别的有效区域对应的区域覆盖面积叠加生成顺序树时，如果出现图像重叠情况时，根据确定出的叠加顺序，将重叠部分中区域覆盖面积小的规划到区域覆盖面积大的图层对应的主树层级中，作为子树层级，进一步说明如下，在对区域A与区域B进行图层叠加时，如区域A对应的区域覆盖面积大于区域B的区域覆盖面积，且区域A与区域B在进行图层叠加时两个区域存在重合部分C，则将重合部分C归入区域A对应的子树层级中，本发明实施例不做限定。
可见，在该可选的实施例中，提供了一种针对图层重叠的处理方法，实现了对重叠图层中重叠部分的层级划分，有利于减少重叠图层数据量，一定程度上提高了后续构建得到的顺序树的准确性。
实施例三
请参阅图3，图3是本发明实施例公开的一种基于可拓展标记语言的位图处理装置的结构示意图。其中，该基于可拓展标记语言的位图处理装置可以是基于可拓展标记语言的位图处理终端、基于可拓展标记语言的位图处理设备、基于可拓展标记语言的位图处理系统或者基于可拓展标记语言的位图处理服务器，基于可拓展标记语言的位图处理服务器可以是本地服务器，也可以是远端服务器，还可以是云服务器（又称云端服务器），当基于可拓展标记语言的位图处理服务器为非云服务器时，该非云服务器能够与云服务器进行通信连接，本发明实施例不做限定。如图3所示，该基于可拓展标记语言的位图处理装置可以包括关联标记模块301、生成模块302、划分模块303以及分析模块304，其中：
关联标记模块301，用于在获取到待处理的滤波位图后，按照预设邻域范围分别对滤波位图的每个像素点执行邻域关联标记操作，得到每个像素点对应的邻域关联标记结果，每个像素点对应的邻域关联标记结果包括在该像素点的预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，滤波位图为对输入的图像执行图像滤波处理操作后得到的位图。
生成模块302，用于根据关联标记模块301确定出的每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域。
划分模块303，用于根据关联标记模块301确定出的每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域，每个连通区域所包含的所有像素点中每相邻两个像素点之间的关联标识用于表示该相邻两个像素点之间相互连接。
划分模块303，还用于根据生成模块302得到的每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域。
分析模块304，用于分析划分模块303划分出的每个类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构。
生成模块302，还用于基于划分模块303得到的所有像素点的顺序树结构以及边界拟合结构，生成图像的文档。
可见，实施图3所描述的基于可拓展标记语言的位图处理装置，能够在获取到滤波位图后，智能化构建滤波位图中每个像素点的关联标识，进而根据构建出的关联标识对归属于同一颜色的像素点进行区域划分，进而在区域划分的同时实现对滤波位图的矢量化特征提取以及边界拟合构建，得到对应的顺序树结构以及边界拟合结构，实现了对滤波位图数据的矢量化功能，最终得到的顺序树结构、边界拟合结构等矢量化数据用于转化、封装为所需格式的数据，提供了一种兼容多种应用场景的位图处理方法，解决图片文档数据不兼容文本数据类型的问题，有利于提高用户使用矢量化数据时的使用体验。
在一个可选的实施例中，如图4所示，关联标记模块301可以包括计算子模块3011、分析子模块3012以及确定子模块3013，其中：
计算子模块3011，用于按照预设邻域范围及确定出的标记分析算法分别计算滤波位图中每个像素点，在确定出的色彩空间的关联参数。
分析子模块3012，用于分析计算子模块3011计算出的每个像素点的关联参数，得到多个像素点集合，每个像素点集合均为预设邻域的集合且每个像素点集合中每个像素点的关联参数均归属于同一参数区间内且每个像素点集合所归属的参数区间的取值不同。
确定子模块3013，用于对分析子模块3012得到的每个像素点集合所包括的所有像素点中每个像素点与该像素点相邻的其他像素点之间构建对应的初始关联标识，将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果。
确定子模块3013，还用于在将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果之前，针对任一像素点集合，根据像素点集合中每个像素点与该像素点之间的初始关联标识，确定像素点集合的标记类别，像素点标记类别包第一类别和/或第二类别，第一类别用于表示预设第一数量个的所有像素点中两两像素点之间均存在对应的初始关联标识；第二类别用于表示预设第二数量个的所有像素点中仅存在对角像素点存在对应的初始关联标识。
以及确定子模块3013将每个像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果操作的方式具体包括：
当像素点集合的标记类别包括第一类别时，移除像素点集合中标记类别为第一类别的所有像素点中对角像素点之间的初始关联标识，得到像素点集合中标记类别为第一类别的每个像素点的优化关联标识；
将标记类别为第一类别的每个像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除标记类别为第一类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果；
当像素点集合的标记类别包括第二类别时，对比预设第二数量个的所有像素点中两两对角像素点各自的关联参数，得到所有两两对角像素点中关联参数数值较大的第一对角像素点，并删除所有第一对角像素点对应的初始关联标识，以将所有第一对角像素点对应的初始关联标识更新为优化关联标识；
将所有两两对角像素点中关联参数数值较小的第二对角像素点对应的初始关联标识、所有第一对角像素点对应的优化关联标识确定为每个像素点对应的邻域关联标记结果。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，通过计算每个像素点在特定色彩空间下的范数值，来构建每个像素点与其他像素点之间的关联标识，进一步的，还提供了两种对构建出的关联标识的优化方式，一定程度上减少了构建出的每个像素点与其他像素点之间的关联标识的数量，也即提高了每个像素点与其他像素点的关联性，有利于提高后续对归属于同一颜色的像素点进行区域划分时得到的划分结果的准确性以及划分效率。
在另一个可选的实施例中，生成模块302根据每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域的方式具体包括：
对于任一像素点，以像素点所在位置为中心构建像素点对应的初始邻域，初始邻域存在多个邻域顶点；
对于像素点对应的初始邻域中任一邻域顶点，判断像素点与从像素点所在位置指向对应的初始邻域中邻域顶点方向上最近的像素点之间是否存在关联标识，当判断出像素点与从像素点所在位置指向对应的初始邻域中邻域顶点方向上最近的像素点之间存在关联标识时，对邻域顶点执行顶点分裂操作，得到邻域顶点的顶点分裂结果，邻域顶点的顶点分裂结果包括两个子邻域顶点，且邻域顶点对应的两个子邻域顶点之间的连线中点与该邻域顶点重合；
根据每个像素点对应的所有邻域顶点的顶点分裂结果、每个像素点对应的初始邻域以及每个像素点对应的邻域关联标记结果，生成每个像素点的有效邻域。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，能够智能化构建每个像素点的像素邻域，并针对对角像素点之间存在关联标识的情况进一步重构该两个对角像素点的像素邻域，从而精准确定出每个像素点对应的有效邻域，一定程度上提高了后续进行同颜色像素点的划分时得到的划分结果的准确性以及可靠性。
在又一个可选的实施例中，关联标记模块301得到的每个像素点对应的邻域关联标记结果还包括每个像素点的色彩数据；以及划分模块303根据每个像素点对应的邻域关联标记结果以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域的方式具体包括：
根据每个像素点的色彩数据以及与预设邻域范围匹配的连通区域划分方式，对所有像素点进行区域划分，得到多个连通区域。
以及，如图4所示，该装置还可以包括计算模块305以及填充模块306，其中：
计算模块305，用于根据关联标记模块301得到的每个连通区域的每个像素点的色彩数据，计算该连通区域对应的色彩参数。
填充模块306，用于基于计算模块305计算出的每个连通区域对应的色彩参数对该连通区域执行颜色填充操作。
其中，划分模块303根据每个像素点的有效邻域，对所有连通区域进行同类划分，得到多个类别的有效区域的方式具体包括：
根据每个像素点的有效邻域、计算模块305得到的每个连通区域对应的色彩参数以及预先确定出的色彩划分标准，对所有连通区域进行同类划分，得到多个类别的有效区域，色彩划分标准用于表示同一连通区域内的所有像素点对应的色彩参数归属于同一个预设的色彩取值区间。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，能够通过每个像素点的色彩数据智能化对所有像素点的区域划分以及同类别区域的划分，也即实现对整个滤波位图中归属于同一颜色的像素点进行数据划分，有利于提高后续构建顺序树的构建效率以及提高执行边界拟合操作时处理数据的拟合效率。
在另一个可选的实施例中，分析模块304分析每个类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构的方式具体包括：
根据确定出的边界拟合算法，确定每个类别的有效区域对应的边界拟合参数，并根据每个类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域对应的图像层叠结果，图像层叠结果包括每个类别的有效区域对应的顺序树结构，顺序树结构的类型包括主树结构类型以及至少一层子树结构类型；
根据边界拟合算法，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果，边界拟合结果中每个类别的有效区域对应的结构为确定出的边界拟合结构。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，能够完成在区域划分之后智能化确定不同类别的有效区域对应的边界拟合参数，并根据边界拟合参数智能化构建得到对应的顺序树结构以及边界拟合结构，作为最终位图的矢量化特征数据，有利于提高后续封装矢量化数据的封装的效率以及提高封装成功率。
在该可选的实施例中，可选的，分析模块304根据确定出的边界拟合算法，确定每个类别的有效区域对应的边界拟合参数的方式具体包括：
根据确定出的边界拟合算法，遍历每个类别的有效区域最外层边界的边界数据，得到每个类别的有效区域对应的特征数据，每个类别的有效区域对应的特征数据包括每个类别的有效区域对应的区域边数据、区域顶点数据以及区域色彩数据；
根据边界拟合算法，计算每个类别的有效区域对应的区域覆盖面积；
将每个类别的有效区域对应的特征数据、每个类别的有效区域对应的区域覆盖面积确定为每个类别的有效区域对应的边界拟合参数。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，在实现对同类的有效区域划分后，能够智能化遍历每个类别的有效区域最外层边界的边界数据，并自动计算每个类别的有效区域对应的区域覆盖面积，为后续构建顺序树结构以及执行边界拟合提供数据支撑，一定程度上提高了后续构建顺序树结构的构建效率以及执行边界拟合操作的拟合效率。
在该可选的实施例中，进一步可选的，分析模块304根据每个类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域对应的图像层叠结果的方式具体包括：
根据预设的顺序树构建算法，对每个类别的有效区域对应的区域覆盖面积按照面积大小进行排序，得到面积排序结果，区域覆盖面积越大，在面积排序结果中的排序越靠前；
根据面积排序结果对所有类别的有效区域执行图像层叠操作，得到每个类别的有效区域的顺序树，并将所有类别的有效区域的顺序树确定为图像层叠结果，其中每个类别的有效区域对应的区域覆盖面积越大，在顺序树中的图层位置越靠下；
分析模块304根据边界拟合算法，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果的方式具体包括：
判断所有类别的有效区域对应的最外层边界中是否存在共享边界，共享边界为预设第三数量个的类别的有效区域各自对应的最外层边界中发生边界重合对应的边界；
当判断出所有类别的有效区域对应的最外层边界中存在共享边界时，从所有类别的有效区域中，确定每个共享边界对应的所有共享区域，以及确定所有共享区域之间两两共享区域各自的区域边界对应形成的边界夹角，并按照边界夹角对应的角度大小分别对每个共享区域对应的边界夹角进行排序，得到所有两两共享区域对应的边界夹角的边界夹角排序结果，其中边界夹角对应的角度越大，在边界夹角排序结果中的排序越靠前、执行边界拟合操作的执行优先级越高；
对比面积排序结果以及边界夹角排序结果，得到共享边界名单，共享边界名单为面积排序结果与边界夹角排序结果中所有相同的类别的有效区域对应的名单；
根据共享边界名单更新面积排序结果，并根据边界拟合算法以及更新后的面积排序结果，对每个类别的有效区域对应的最外层边界执行边界拟合操作，得到每个类别的有效区域对应的边界拟合结果。
可见，实施图4所描述的基于可拓展标记语言的位图处理装置，能够根据每个类别的有效区域对应的区域覆盖面积按顺序智能化叠加构建顺序树，提高了构建出的顺序树的可靠性以及准确性，还能够提供一种边界优化算法，通过确定并处理共享边界，实现针对不同类别的有效区域出现边界重叠现象时的边界线、边界点的压缩优化，减少了进行边界拟合算法时所需处理的数据量，一定程度上提高了边界拟合操作的拟合效率以及得到的拟合结果的准确性。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于可拓展标记语言的位图处理装置的结构示意图。如图5所示，该基于可拓展标记语言的位图处理装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或本发明实施例二所描述的基于可拓展标记语言的位图处理方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或本发明实施例二所描述的基于可拓展标记语言的位图处理方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于可拓展标记语言的位图处理方法中的步骤。
实施例七
本发明实施例公开了一种基于可拓展标记语言的位图处理设备，该设备包括实施例三或实施例四所描述的基于可拓展标记语言的位图处理装置，该设备被调用时，用于执行本发明实施例一或本发明实施例二所描述的基于可拓展标记语言的位图处理方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
通过以上的实施例的具体描述，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存储介质中,存储介质包括只读存储器（Read-OnlyMemory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于可拓展标记语言的位图处理方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于可拓展标记语言的位图处理方法，其特征在于，所述方法包括：
在获取到待处理的滤波位图后，按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，每个所述像素点对应的邻域关联标记结果包括在该像素点的所述预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，所述滤波位图为对输入的图像执行图像滤波处理操作后得到的位图；
根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域，并根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，每个所述连通区域所包含的所有所述像素点中每相邻两个所述像素点之间的关联标识用于表示该相邻两个所述像素点之间相互连接的；
根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域，并分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构；
基于所有所述像素点的顺序树结构以及所述边界拟合结构，生成所述图像的文档。
2.根据权利要求1所述的一种基于可拓展标记语言的位图处理方法，其特征在于，所述按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，包括：
按照预设邻域范围及确定出的标记分析算法分别计算所述滤波位图中每个像素点，在确定出的色彩空间的关联参数；
分析每个所述像素点的关联参数，得到多个像素点集合，每个所述像素点集合均为所述预设邻域的集合且每个所述像素点集合中每个所述像素点的关联参数均归属于同一参数区间内且每个所述像素点集合所归属的参数区间的取值不同；
对每个所述像素点集合所包括的所有所述像素点中每个所述像素点与该像素点相邻的其他像素点之间构建对应的初始关联标识，将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果；
所述将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果之前，所述方法还包括：
针对任一所述像素点集合，根据所述像素点集合中每个所述像素点与该像素点之间的所述初始关联标识，确定所述像素点集合的标记类别，所述像素点标记类别包第一类别和/或第二类别，所述第一类别用于表示预设第一数量个的所有像素点中两两像素点之间均存在对应的所述初始关联标识；所述第二类别用于表示预设第二数量个的所有像素点中仅存在对角像素点存在对应的所述初始关联标识；
当所述像素点集合的标记类别包括所述第一类别时，移除所述像素点集合中所述标记类别为所述第一类别的所有所述像素点中对角像素点之间的所述初始关联标识，得到所述像素点集合中所述标记类别为所述第一类别的每个所述像素点的优化关联标识，以及所述将每个所述像素点对应的初始关联标识确定为该像素点对应的邻域关联标记结果操作，包括：
将所述标记类别为所述第一类别的每个所述像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除所述标记类别为所述第一类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果；
当所述像素点集合的标记类别包括所述第二类别时，从所述像素点集合的所有所述像素点中筛选所述标记类别为所述第二类别的所有所述像素点，并将所述标记类别为所述第二类别的所有所述像素点划分为至少一个像素点集合，每个像素点集合包括两个子像素点集合，每个所述像素点集合中每个所述子像素点集合包括两个像素点且该两个像素点为该像素点集合中对角方向上的像素点；
分析每个像素点集合包括的每个所述子像素点集合中每个所述像素点的关联参数，得到该像素点集合对应的优化关联标识，每个所述像素点集合对应的优化关联标识通过保留每个所述子像素点集合对应的关联参数较小的每个所述像素点的初始关联标识以及删除每个所述子像素点集合对应的关联参数较大的每个所述像素点的初始关联标识后得到；
将所述标记类别为所述第二类别的每个所述像素点的优化关联标识确定为该像素点对应的邻域关联标记结果，以及将除所述标记类别为所述第二类别之外的其他像素点的初始关联标识确定为该其他像素点对应的邻域关联标记结果。
3.根据权利要求1或2所述的一种基于可拓展标记语言的位图处理方法，其特征在于，所述根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域，包括：
对于任一所述像素点，以所述像素点所在位置为中心构建所述像素点对应的初始邻域，所述初始邻域存在多个邻域顶点；
对于所述像素点对应的初始邻域中任一所述邻域顶点，判断所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间是否存在关联标识，当判断出所述像素点与从所述像素点所在位置指向对应的初始邻域中所述邻域顶点方向上最近的像素点之间存在所述关联标识时，对所述邻域顶点执行顶点分裂操作，得到所述邻域顶点的顶点分裂结果，所述邻域顶点的顶点分裂结果包括两个子邻域顶点，且所述邻域顶点对应的两个所述子邻域顶点之间的连线中点与该邻域顶点重合；
根据每个所述像素点对应的所有所述邻域顶点的顶点分裂结果、每个所述像素点对应的初始邻域以及每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域。
4.根据权利要求2所述的一种基于可拓展标记语言的位图处理方法，其特征在于，每个所述像素点对应的邻域关联标记结果还包括每个所述像素点的色彩数据；以及所述根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，包括：
根据每个所述像素点的色彩数据以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域；
所述方法还包括：
根据每个所述连通区域的每个所述像素点的色彩数据，计算该连通区域对应的色彩参数；
基于每个所述连通区域对应的色彩参数对该连通区域执行颜色填充操作；
其中，所述根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域，包括：
根据每个所述像素点的有效邻域、每个所述连通区域对应的色彩参数以及预先确定出的色彩划分标准，对所有所述连通区域进行同类划分，得到多个类别的有效区域，所述色彩划分标准用于表示同一所述连通区域内的所有所述像素点对应的色彩参数归属于同一个预设的色彩取值区间。
5.根据权利要求1、2或4所述的一种基于可拓展标记语言的位图处理方法，其特征在于，所述分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构，包括：
根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数，并根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果，所述图像层叠结果包括每个所述类别的有效区域对应的顺序树结构，所述顺序树结构的类型包括主树结构类型以及至少一层子树结构类型；
根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果，所述边界拟合结果中每个所述类别的有效区域对应的结构为确定出的边界拟合结构。
6.根据权利要求5所述的一种基于可拓展标记语言的位图处理方法，其特征在于，所述根据确定出的边界拟合算法，确定每个所述类别的有效区域对应的边界拟合参数，包括：
根据确定出的边界拟合算法，遍历每个所述类别的有效区域最外层边界的边界数据，得到每个所述类别的有效区域对应的特征数据，每个所述类别的有效区域对应的特征数据包括每个所述类别的有效区域对应的区域边数据、区域顶点数据以及区域色彩数据；
根据所述边界拟合算法，计算每个所述类别的有效区域对应的区域覆盖面积；
将每个所述类别的有效区域对应的特征数据、每个所述类别的有效区域对应的区域覆盖面积确定为每个所述类别的有效区域对应的边界拟合参数。
7.根据权利要求6所述的一种基于可拓展标记语言的位图处理方法，其特征在于，所述根据每个所述类别的有效区域对应的边界拟合参数、预设的顺序树构建算法，对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域对应的图像层叠结果，包括：
根据预设的顺序树构建算法，对每个所述类别的有效区域对应的区域覆盖面积按照面积大小进行排序，得到面积排序结果，所述区域覆盖面积越大，在所述面积排序结果中的排序越靠前；
根据所述面积排序结果对所有所述类别的有效区域执行图像层叠操作，得到每个所述类别的有效区域的顺序树，并将所有所述类别的有效区域的顺序树确定为图像层叠结果，其中每个所述类别的有效区域对应的区域覆盖面积越大，在所述顺序树中的图层位置越靠下；
所述根据所述边界拟合算法，对每个所述类别的有效区域对应的最外层边界执行边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果，包括：
判断所有所述类别的有效区域对应的最外层边界中是否存在共享边界，所述共享边界为预设第三数量个的所述类别的有效区域各自对应的最外层边界中发生边界重合对应的边界；
当判断出所有所述类别的有效区域对应的最外层边界中存在共享边界时，从所有所述类别的有效区域中，确定每个共享边界对应的所有共享区域，以及确定所有所述共享区域之间两两所述共享区域各自的区域边界对应形成的边界夹角，并按照边界夹角对应的角度大小分别对每个所述共享区域对应的边界夹角进行排序，得到所有两两所述共享区域对应的边界夹角的边界夹角排序结果，其中所述边界夹角对应的角度越大，在所述边界夹角排序结果中的排序越靠前、执行边界拟合操作的执行优先级越高；
对比所述面积排序结果以及所述边界夹角排序结果，得到共享边界名单，所述共享边界名单为所述面积排序结果与所述边界夹角排序结果中所有相同的所述类别的有效区域对应的名单；
根据所述共享边界名单更新所述面积排序结果，并根据所述边界拟合算法以及更新后的所述面积排序结果，对每个所述类别的有效区域对应的最外层边界执行所述边界拟合操作，得到每个所述类别的有效区域对应的边界拟合结果。
8.一种基于可拓展标记语言的位图处理装置，其特征在于，所述装置包括：
关联标记模块，用于在获取到待处理的滤波位图后，按照预设邻域范围分别对所述滤波位图的每个像素点执行邻域关联标记操作，得到每个所述像素点对应的邻域关联标记结果，每个所述像素点对应的邻域关联标记结果包括在该像素点的所述预设邻域范围内的其它像素点中与该像素点满足预设相似条件的目标像素点与该像素点之间的关联标识，所述滤波位图为对输入的图像执行图像滤波处理操作后得到的位图；
生成模块，用于根据每个所述像素点对应的邻域关联标记结果，生成每个所述像素点的有效邻域；
划分模块，用于根据每个所述像素点对应的邻域关联标记结果以及与所述预设邻域范围匹配的连通区域划分方式，对所有所述像素点进行区域划分，得到多个连通区域，每个所述连通区域所包含的所有所述像素点中每相邻两个所述像素点之间的关联标识用于表示该相邻两个所述像素点之间相互连接；
所述划分模块，还用于根据每个所述像素点的有效邻域，对所有所述连通区域进行同类划分，得到多个类别的有效区域；
分析模块，用于分析每个所述类别的有效区域，得到该类别的有效区域对应的顺序树结构以及该类别的有效区域对应的边界拟合结构；
所述生成模块，还用于基于所有所述像素点的顺序树结构以及所述边界拟合结构，生成所述图像的文档。
9.一种基于可拓展标记语言的位图处理装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于可拓展标记语言的位图处理方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于可拓展标记语言的位图处理方法。
CN202210566645.6A 2022-05-24 2022-05-24 基于可拓展标记语言的位图处理方法、装置及设备 Active CN114661930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210566645.6A CN114661930B (zh) 2022-05-24 2022-05-24 基于可拓展标记语言的位图处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210566645.6A CN114661930B (zh) 2022-05-24 2022-05-24 基于可拓展标记语言的位图处理方法、装置及设备

Publications (2)

Publication Number Publication Date
CN114661930A true CN114661930A (zh) 2022-06-24
CN114661930B CN114661930B (zh) 2022-08-26

Family

ID=82036906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210566645.6A Active CN114661930B (zh) 2022-05-24 2022-05-24 基于可拓展标记语言的位图处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114661930B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030222916A1 (en) * 2002-05-28 2003-12-04 Katie Kuwata Object-oriented processing of tab text
CN103793467A (zh) * 2013-09-10 2014-05-14 浙江鸿程计算机系统有限公司 一种基于超图和动态规划的大数据实时查询优化方法
CN106296773A (zh) * 2016-08-12 2017-01-04 中国科学院计算技术研究所 一种生成多层次矢量图的方法与装置
CN106895841A (zh) * 2017-04-13 2017-06-27 杭州申昊科技股份有限公司 一种应用于变电站的矢量电子地图创建方法
CN108334879A (zh) * 2018-02-11 2018-07-27 深圳市朗驰欣创科技股份有限公司 一种区域提取方法、系统及终端设备
CN108805957A (zh) * 2018-06-07 2018-11-13 青岛九维华盾科技研究院有限公司 一种基于位图图像自适应分割的矢量图生成方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030222916A1 (en) * 2002-05-28 2003-12-04 Katie Kuwata Object-oriented processing of tab text
CN103793467A (zh) * 2013-09-10 2014-05-14 浙江鸿程计算机系统有限公司 一种基于超图和动态规划的大数据实时查询优化方法
CN106296773A (zh) * 2016-08-12 2017-01-04 中国科学院计算技术研究所 一种生成多层次矢量图的方法与装置
CN106895841A (zh) * 2017-04-13 2017-06-27 杭州申昊科技股份有限公司 一种应用于变电站的矢量电子地图创建方法
CN108334879A (zh) * 2018-02-11 2018-07-27 深圳市朗驰欣创科技股份有限公司 一种区域提取方法、系统及终端设备
CN108805957A (zh) * 2018-06-07 2018-11-13 青岛九维华盾科技研究院有限公司 一种基于位图图像自适应分割的矢量图生成方法及系统

Also Published As

Publication number Publication date
CN114661930B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US9905012B2 (en) Segmentation of an image based on color and color differences
CN111524150B (zh) 图像处理的方法及装置
US20120092357A1 (en) Region-Based Image Manipulation
CN112927353B (zh) 基于二维目标检测和模型对齐的三维场景重建方法、存储介质及终端
KR102207408B1 (ko) 이미지 처리를 위한 방법, 장치 및 컴퓨터 판독 가능한 매체
CN110807110B (zh) 结合局部和全局特征的图片搜索方法、装置及电子设备
CN111462164A (zh) 一种前景分割方法以及基于图像合成的数据增强方法
CN111738040A (zh) 一种减速带识别方法及系统
CN114661930B (zh) 基于可拓展标记语言的位图处理方法、装置及设备
US6728407B1 (en) Method for automatically determining trackers along contour and storage medium storing program for implementing the same
US20040141643A1 (en) Segmenting an image via shortest cycles
CN114511862B (zh) 表格识别方法、装置及电子设备
US7336825B2 (en) Segmenting a composite image via minimum areas
CN113486881B (zh) 一种文本识别方法、装置、设备及介质
CN113362227B (zh) 图像处理方法、装置、电子设备及存储介质
CN111191580B (zh) 合成渲染方法、装置、电子设备及介质
Strand et al. The minimum barrier distance: A summary of recent advances
CN113742485A (zh) 一种处理文本的方法和装置
CN113724269A (zh) 实例分割方法、实例分割网络的训练方法及相关设备
CN114120016B (zh) 字符串提取方法、装置、设备及存储介质
CN114241249B (zh) 基于目标检测算法与卷积神经网络的图像分类方法和系统
CN117094994B (zh) 滑窗参数确定方法、图像识别方法及装置
CN118154628A (zh) 边缘检测融合算法
CN112257710A (zh) 一种带文字平面的图片倾斜度检测方法及装置
CN115082931A (zh) 一种文本图像区域检测模型的确定方法及装置

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 518066 Qianhai Shimao financial center phase II, No. 3040, Xinghai Avenue, Nanshan street, Shenzhen Hong Kong cooperation zone, Nanshan District, Shenzhen, Guangdong Province 2005

Patentee after: Shenzhen Dingjiang Technology Co.,Ltd.

Address before: 518066 Qianhai Shimao financial center phase II, No. 3040, Xinghai Avenue, Nanshan street, Shenzhen Hong Kong cooperation zone, Nanshan District, Shenzhen, Guangdong Province 2005

Patentee before: SHENZHEN DINGJIANG TECHNOLOGY CO.,LTD.