CN114792295B - 基于智能相框的被遮挡物修正方法、装置、设备及介质 - Google Patents
基于智能相框的被遮挡物修正方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114792295B CN114792295B CN202210717679.0A CN202210717679A CN114792295B CN 114792295 B CN114792295 B CN 114792295B CN 202210717679 A CN202210717679 A CN 202210717679A CN 114792295 B CN114792295 B CN 114792295B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- area
- occluded
- partially
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012937 correction Methods 0.000 claims abstract description 55
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000017105 transposition Effects 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 18
- 230000002093 peripheral effect Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 abstract description 24
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明涉及人工智能技术，公开了一种基于智能相框的被遮挡物修正方法，包括：识别部分遮挡图像的画面场景并标注部分遮挡图像内的遮挡区域，根据画面场景计算遮挡区域的对称系数；对部分遮挡图像进行下采样及转置卷积，得到第一修正图像；根据对称系数对第一修正图像进行像素修正，得到第二修正图像；分析第一全局特征语义与部分遮挡图像的局部特征语义的局部一致性；当全局一致性与局部一致性之和小于或等于预设阈值时，返回对部分遮挡图像进行单次下采样的步骤；当其大于预设阈值时，对遮挡区域的边界像素进行像素融合。本发明还提出一种基于智能相框的被遮挡物修正装置、设备及介质。本发明可以提高图像修正精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于智能相框的被遮挡物修正方法、装置、电子设备及计算机可读存储介质。
背景技术
随着智慧生活领域的科技迅速发展，越来越多的人们使用智能化设备来让生活更加便捷、多彩。例如，人们越来越常见使用智能相框对照片进行多样化的展示。同时，智能相框也具备着越来越多的图像处理功能，例如，可实现对照片的美化、修正等。
但现有方法在对图像进行修正时，往往是基于像素的再填充，即根据当前图像进行分析，以识别除图像内的像素分布特点，并根据该分布特点对遮挡区域的像素进行预测，进而实现对遮挡区域的修正。但实际场景中，由于图像的复杂性，仅依靠像素分布分析进行图像修正，会导致修正的精确度较低。
发明内容
本发明提供一种基于智能相框的被遮挡物修正方法、装置及计算机可读存储介质，其主要目的在于解决进行图像修正时的精确度较低的问题。
为实现上述目的，本发明提供的一种基于智能相框的被遮挡物修正方法，包括：
获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景；
通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像；
根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性；
当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤；
当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
可选地，所述通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，包括：
利用预先训练的图像标注模型对所述部分遮挡图像进行区域框选，得到预测框选区；
将所述预测框选区发送至预设的标注人员，并获取所述预设的标注人员对所述预测框选区的反馈意见；
根据所述反馈意见对所述预测框选区进行边界调整，得到所述部分遮挡图像内的遮挡区域。
可选地，所述根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像，包括：
逐个选取所述第一修正图像内的遮挡区域中的各个像素点为第一像素点，对各个所述第一像素点进行像素调整处理，得到所述第二修正图像；其中，所述像素调整处理包括：
选取以所述对称轴与所述第一像素点相对称的像素点为第二像素点；
计算所述第一像素点与所述第二像素点的像素差值，并计算所述像素差值与所述对称系数的乘积；
利用所述乘积对所述第一像素点与所述第二像素点的像素值进行调整，直至所述遮挡区域所有像素点被调整完成。
可选地，所述对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像，包括：
统计所述部分遮挡图像的图像面积，以及统计所述遮挡区域的遮挡面积；
计算所述遮挡面积与所述图像面积的比值，得到缩放比例；
按照预设的采样步长对所述部分遮挡图像进行单次下采样，得到采样图像；
按照所述缩放比例对所述采样图像进行转置卷积，得到所述第一修正图像。
可选地，所述利用空洞卷积提取所述第二修正图像的第一全局特征语义，包括：
按照预设空洞率对所述第二修正图像进行预设次数的卷积，得到卷积图像；
对所述卷积图像进行池化及全连接处理，得到全连接特征；
利用预设的激活函数将所述全连接特征进行语义映射，得到所述第一全局特征语义。
可选地，所述对所述第二修正图像内的遮挡区域的边界像素进行像素融合，包括：
计算所述第二修正图像内除所述遮挡区域外的全局像素梯度；
按照所述全局像素梯度求解如下泊松等式得到完整图像：
其中， QUOTE 
为所述完整图像， QUOTE 
为所述第二修正图像， QUOTE 
为所述全局像素梯度， QUOTE 
为所述完整图像的一阶梯度， QUOTE 
为所述遮挡区域， QUOTE 
为所述遮挡区域外围预设范围内的像素区域。
为了解决上述问题，本发明还提供一种基于智能相框的被遮挡物修正装置，所述装置包括：
图像分析模块，用于获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景，通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
第一修正模块，用于对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像，根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
语义分析模块，用于利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
第二修正模块，用于计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性，当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤，当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于智能相框的被遮挡物修正方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于智能相框的被遮挡物修正方法。
本发明实施例通过双重反馈的方式标注出遮挡区域在提升标注效率的同时，提升了标注的精确度，进而提升后续图像修正的精确度；根据所述画面场景分析所述遮挡区域的对称系数，以便于在后续进行图像修正时，考虑到实际的对称因素，也可提升图像修正的精确度；在利用下采样及转置卷积对部分遮挡图像机进行粗略修正后，根据对称系数进行像素修正，可实现对修正结果的精细化调整，提升了图像修正的精确度；且通过语义分析来保证修正后的第二修正图像与原本的部分遮挡图像在整体上的一致性，以及保证修正后第二修正图像与其内部的遮挡区域的图像的局部一致性，提升图像修正的精确度。因此本发明提出的基于智能相框的被遮挡物修正方法、装置、电子设备及计算机可读存储介质，可以提升对进行图像修正时的精确度。
附图说明
图1为本发明一实施例提供的基于智能相框的被遮挡物修正方法的流程示意图；
图2为本发明一实施例提供的识别部分遮挡图像的画面场景的流程示意图；
图3为本发明一实施例提供的通过双重反馈的方式标注部分遮挡图像内的遮挡区域的流程示意图；
图4为本发明一实施例提供的基于智能相框的被遮挡物修正装置的功能模块图；
图5为本发明一实施例提供的实现所述基于智能相框的被遮挡物修正方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于智能相框的被遮挡物修正方法。所述基于智能相框的被遮挡物修正方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于智能相框的被遮挡物修正方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于智能相框的被遮挡物修正方法的流程示意图。在本实施例中，所述基于智能相框的被遮挡物修正方法包括：
S1、获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景。
本发明实施例中，所述智能相框可以为任何具有图像展示功能的电子相框，该智能相框可实现对图像的动态展示、调节等。
详细地，所述部分遮挡图像是指图像内部分区域被遮挡，导致无法对想要展示的区域进行展示的情况。
本发明其中一个实际应用场景中，由于不同场景下图像的构成特点不同，因此，本发明实施例可识别出所述部分遮挡图像的画面场景，进而便于后续根据所述画面场景对所述部分遮挡图像进行精确分析，从而提升对所述部分遮挡图像进行修正的精确度。
本发明实施例中，参图2所示，所述识别所述部分遮挡图像的画面场景，包括：
S21、获取所述部分遮挡图像的图像标签；
S22、计算所述图像标签与预设的多个场景标签中每个场景标签之间的距离值；
S23、确定所述距离值最小的场景标签对应的场景为所述部分遮挡图像的画面场景。
详细地，所述图像标签可以为预先生成的对所述部分遮挡图像进行标记的标签，例如，所述图像标签包括图像名称、图像分类类别等。
具体地，可利用具有距离值计算功能的欧式距离算法、余弦距离算法等计算所述图像标签与预设的多个场景标签中每个场景标签之间的距离值，进而选取所述距离值最小的场景标签对应的场景为所述部分遮挡图像的画面场景。
S2、通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数。
本发明实施例中，为了实现对所述部分遮挡图像中被遮挡的图像部分进行精确地修正，需要在所述部分遮挡图像中标注出遮挡区域。
详细地，可采用预先训练的标注模型识别出所述部分遮挡图像内的遮挡区域，或者，通过人工方式对所述部分遮挡图像内的遮挡区域进行标注；但由于图像的多样化，采用标注模型进行标注的方式，无法精确地从所述部分遮挡图像内标注出遮挡区域，且由于人工标注的效率低及成本高，也导致利用人工标注对该部分遮挡图像进行标记无法满足日常生产的标注需求。
本发明实施例可采用双重反馈的方式，即通过标注模型对所述部分遮挡图像内的区域进行一次标记，并将标注结果反馈给人工操作员，以对模型标注结果进行反馈修正，在提升标注效率的同时，提升了标注的精确度。
本发明实施例中，参图3所示，所述通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，包括：
S31、利用预先训练的图像标注模型对所述部分遮挡图像进行区域框选，得到预测框选区；
S32、将所述预测框选区发送至预设的标注人员，并获取所述预设的标注人员对所述预测框选区的反馈意见；
S33、根据所述反馈意见对所述预测框选区进行边界调整，得到所述部分遮挡图像内的遮挡区域。
详细地，所述图像标注模型包括但不限于VGG-net模型、Res-net模型等具有图像标注功能的图像处理模型。
具体地，可将所述图像标注模型标注后的图像发送至预设的标注人员，进而，获取该标注人员针对已经标注的预测框选区的反馈意见，进而，按照该反馈意见对所述预测框选区的区域边界进行修正，以提升该预测框选区的精确度，得到所述部分遮挡图像内的遮挡区域。
进一步地，本发明其中一个实际应用场景中，由于自然界中大部分物体均存在一定程度的对称性，例如，人像、建筑、动物等均以中轴线为对橙子呈现一定程度的对称，因此，本发明实施例可根据所述画面场景分析所述遮挡区域的对称系数，以便于在后续进行图像修正时，考虑到实际的对称因素，进而提升图像修正的精确度。
详细地，可根据所述画面场景的场景标签从预先获取的场景对称表中查询得到与所述画面场景相对应的中轴线倾斜角，其中，所述场景对称表中包含多种不同的场景标签，以及为每一种场景标签预先设置的中轴线倾斜角，所述中轴线倾斜角是指在不同画面场景中，画面对称轴与水平线的夹角大小，所述中轴线倾斜角是预先根据大量不同画面场景进行分析得到的。
具体地，可按照所述中轴线倾斜角将所述遮挡区域外围预设像素范围的外围区域划分为两块镜像区域，进而通过对该两块镜像区域内像素分布状态进行分析，得到该两块镜像区域的对称系数。
本发明实施例中，可在以所述中轴线倾斜角所在直线上任一一点为原点构建坐标系，进而通过两块镜像区域内像素在所述坐标系内的像素坐标，分析得到两块镜像区域的堆成系数。
详细地，所述计算所述两块镜像区域之间的像素分布相似度，包括：
利用如下相似度算法计算所述两块镜像区域之间的像素分布相似度：
其中，
为所述像素分布相似度，
为其中一块镜像区域中像素的分布函数，
为分布函数
对应的镜像区域内像素点
的坐标值，
为其中一块镜像区域中像素的分布函数，
为分布函数
对应的镜像区域内像素点
的坐标值,
为任意镜像区域内像素的总数量，且两块镜像区域内像素的总数量一致。
本发明实施例中，可确定所述像素分布相似度为所述遮挡区域的对称系数。
S3、对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像。
本发明实施例中，为了实现对所述部分遮挡图像的修正，可对所述部分遮挡图像进行单次下采样，得到包含所述部分遮挡图像的特征的采样图像，进而对单次下采样生成的采样图像进行转置卷积，以从所述采样图像中还原出与所述部分遮挡图像具有相同尺寸的第一修正图像，实现对所述部分遮挡图像的粗略修正。
本发明实施例中，所述对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像，包括：
统计所述部分遮挡图像的图像面积，以及统计所述遮挡区域的遮挡面积；
计算所述遮挡面积与所述图像面积的比值，得到缩放比例；
按照预设的采样步长对所述部分遮挡图像进行单次下采样，得到采样图像；
按照所述缩放比例对所述采样图像进行转置卷积，得到所述第一修正图像。
详细地，对所述部分遮挡图像进行单次下采样，有利于在下采样得到的采样图像内保留更多的图像信息，进而保证对采样图像进行转置卷积后得到的第一修正图像与原本的部分遮挡图像的整体一致性，有利于提升对该部分遮挡图像进行图像修正的精确度。
具体地，可通过所述部分遮挡图像的图面积与所述遮挡区域的遮挡面积确定所述缩放比例，进而按照所述缩放比例对所述采样图像进行转置卷积，以实现对所述采样图像的原尺寸还原与修正，有利于提升还原出的第一修正图像的精确度。
S4、根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像。
本发明实施例中，所述第一修正图像是根据部分遮挡图像进进行下采样以及转置卷积操作得到的，但上述方法还原出的图像可能与原图的差异性较大，因此，可利用所述对称系数，对所述第一修正图像内遮挡区域的像素进行修正，得到所述第二修正图像，以提升图像修正的精确度。
本发明实施例中，
所述根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像，包括：
逐个选取所述第一修正图像内的遮挡区域中的各个像素点为第一像素点，对各个所述第一像素点进行像素调整处理，得到所述第二修正图像；其中，所述像素调整处理包括：
选取以所述对称轴与所述第一像素点相对称的像素点为第二像素点；
计算所述第一像素点与所述第二像素点的像素差值，并计算所述像素差值与所述对称系数的乘积；
利用所述乘积对所述第一像素点与所述第二像素点的像素值进行调整，直至所述遮挡区域所有像素点被调整完成。
详细地，当计算出所述像素差值与所述对称系数的乘积之后，可比较所述第一像素点与所述第二像素点的像素大小，将像素值较小的像素点的像素值与所述乘积求和，并将求和结果作为该像素点的新像素值，以及将像素值较大的像素点的像素值与所述乘积求差，并将求差结果作为该像素点的新像素值。
具体地，利用所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，可实现对该遮挡区域内图像对称性的提升，进而使得修正后的第二修正图像更加符合现实场景，以提升图像修正的精确度。
S5、利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义。
本发明实施例中，为了实现对修正后的图像与原先的部分遮挡图像的语义层面的统一化，可利用空洞卷积分别提取所述第二修正图像、所述部分遮挡图像及所述第二修正图像内的遮挡区域的图像语义，并在后续利用提取的语义对图像修正的过程进行进一步修正，以实现对图像精准的修正。
本发明实施例中，所述利用空洞卷积提取所述第二修正图像的第一全局特征语义，包括：
按照预设空洞率对所述第二修正图像进行预设次数的卷积，得到卷积图像；
对所述卷积图像进行池化及全连接处理，得到全连接特征；
利用预设的激活函数将所述全连接特征进行语义映射，得到所述第一全局特征语义。
详细地，所述激活函数包括但不限于softmax函数、sigmoid函数等。可通过所述激活函数计算所述全连接特征与预设的多种特征语义是否存在映射关系，并将与所述全连接特征存在映射关系的特征语义汇集为所述第一全局特征语义。
进一步地，所述利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义的步骤，与所述利用空洞卷积提取所述第二修正图像的第一全局特征语义的步骤一致，在此不做赘述。
详细地，所述利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义时，可采用三种不同的空洞率进行空洞卷积。
本发明实施例中，利用空洞卷积提取所述第二修正图像、所述部分遮挡图像及所述第二修正图像内的遮挡区域的图像语义，可在提取语义时，保证更大感受野的同时获取更多语义细节，有利于提升提取出的图像语义的精确度，进而提升图像修正的精确度。
S6、计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性。
本发明实施例中，为了保证修正后的第二修正图像与原本的部分遮挡图像在整体上的一致性，以及为了保证修正后第二修正图像与其内部的遮挡区域的图像的局部一致性，可分别计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性，进而便于后续根据整体一致性与局部一致性对修正过程进行优化，提升图像修正的精确度。
本发明实施例中，所述计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，包括：
利用如下公式计算所述第一全局特征语义与所述第二全局特征语义的全局一致性：
其中，
为所述全局一致性，
为所述第一全局特征语义，
为所述第二全局特征语义。
本发明实施例中，所述计算所述第一全局特征语义与所述局部特征语义的局部一致性的步骤，与所述计算所述第一全局特征语义与所述第二全局特征语义的全局一致性的步骤一致，在此不做赘述。
S7、判断所述全局一致性与所述局部一致性之和是否大于预设阈值。
当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回步骤S3。
本发明实施例中，当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，则说明当前修正的图像与所述被遮挡图像对应的实际原图像差异较大，因此，可返回步骤S3中重新对所述部分遮挡图像进行修正操作。
当所述全局一致性与所述局部一致性之和大于所述预设阈值时，执行S8、对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
本发明实施例中，当所述全局一致性与所述局部一致性之和大于预设阈值时，则说明当前修正的图像与所述被遮挡图像对应的实际原图像差异较小。
但实际应用场景中，由于图像修正时是针对该遮挡区域的修正，因此，生成的第二修正图像内所述遮挡区域的边界可能存在不协调的情况，具有叫明显的割裂感，因此，可对所述遮挡区域的边界像素进行像素融合，进而保证边界区域的协调统一，提升图像修正的精确度。
本发明实施例中，所述对所述第二修正图像内的遮挡区域的边界像素进行像素融合，包括：
计算所述第二修正图像内除所述遮挡区域外的全局像素梯度；
按照所述全局像素梯度求解如下泊松等式实现像素融合：
其中，
为所述完整图像，
为所述第二修正图像，
为所述全局像素梯度，
为所述完整图像的一阶梯度，
为所述遮挡区域，
为所述遮挡区域外围预设范围内的像素区域。
本发明实施例中，可通过上述泊松方程限定在目标图像（即第二修正图像）需要融合的区域的边缘不变的情况下，使得融合后的图像（即完整图像）的梯度与被融合图像（即遮挡区域）在融合部分的梯度最为接近，以实现对修正后生成的第二修正图像内，遮挡区域与原本的部分遮挡图像像素的一致性，有利于提升图像融合的精确度。
本发明实施例通过双重反馈的方式标注出遮挡区域在提升标注效率的同时，提升了标注的精确度，进而提升后续图像修正的精确度；根据所述画面场景分析所述遮挡区域的对称系数，以便于在后续进行图像修正时，考虑到实际的对称因素，也可提升图像修正的精确度；在利用下采样及转置卷积对部分遮挡图像机进行粗略修正后，根据对称系数进行像素修正，可实现对修正结果的精细化调整，提升了图像修正的精确度；且通过语义分析来保证修正后的第二修正图像与原本的部分遮挡图像在整体上的一致性，以及保证修正后第二修正图像与其内部的遮挡区域的图像的局部一致性，提升图像修正的精确度。因此本发明提出的基于智能相框的被遮挡物修正方法，可以解决进行图像修正时的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于智能相框的被遮挡物修正装置的功能模块图。
本发明所述基于智能相框的被遮挡物修正装置100可以安装于电子设备中。根据实现的功能，所述基于智能相框的被遮挡物修正装置100可以包括图像分析模块101、第一修正模块102、语义分析模块103及二修正模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像分析模块101，用于获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景，通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
所述第一修正模块102，用于对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到所述第一修正图像，根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
所述语义分析模块103，用于利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
所述第二修正模块104，用于计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性，当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤，当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
详细地，本发明实施例中所述基于智能相框的被遮挡物修正装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于智能相框的被遮挡物修正方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于智能相框的被遮挡物修正方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于智能相框的被遮挡物修正程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于智能相框的被遮挡物修正程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于智能相框的被遮挡物修正程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于智能相框的被遮挡物修正程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景；
通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到所述第一修正图像；
根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性；
当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤；
当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景；
通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到所述第一修正图像；
根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性；
当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤；
当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于智能相框的被遮挡物修正方法，其特征在于，所述方法包括：
获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景；
通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像；
根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性；
当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤；
当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
2.如权利要求1所述的基于智能相框的被遮挡物修正方法，其特征在于，所述通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，包括：
利用预先训练的图像标注模型对所述部分遮挡图像进行区域标注，得到预测框选区；
将所述预测框选区发送至预设的标注人员，并获取所述预设的标注人员对所述预测框选区的反馈意见；
根据所述反馈意见对所述预测框选区进行边界调整，得到所述部分遮挡图像内的遮挡区域。
3.如权利要求1所述的基于智能相框的被遮挡物修正方法，其特征在于，所述根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像，包括：
逐个选取所述第一修正图像内的遮挡区域中的各个像素点为第一像素点，对各个所述第一像素点进行像素调整处理，得到所述第二修正图像；其中，所述像素调整处理包括：
选取以所述对称轴与所述第一像素点相对称的像素点为第二像素点；
计算所述第一像素点与所述第二像素点的像素差值，并计算所述像素差值与所述对称系数的乘积；
利用所述乘积对所述第一像素点与所述第二像素点的像素值进行调整，直至所述遮挡区域所有像素点被调整完成。
4.如权利要求1所述的基于智能相框的被遮挡物修正方法，其特征在于， 所述对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像，包括：
统计所述部分遮挡图像的图像面积，以及统计所述遮挡区域的遮挡面积；
计算所述遮挡面积与所述图像面积的比值，得到缩放比例；
按照预设的采样步长对所述部分遮挡图像进行单次下采样，得到采样图像；
按照所述缩放比例对所述采样图像进行转置卷积，得到所述第一修正图像。
5.如权利要求1所述的基于智能相框的被遮挡物修正方法，其特征在于，所述利用空洞卷积提取所述第二修正图像的第一全局特征语义，包括：
按照预设空洞率对所述第二修正图像进行预设次数的卷积，得到卷积图像；
对所述卷积图像进行池化及全连接处理，得到全连接特征；
利用预设的激活函数将所述全连接特征进行语义映射，得到所述第一全局特征语义。
6.如权利要求1至5中任一项所述的基于智能相框的被遮挡物修正方法，其特征在于，所述对所述第二修正图像内的遮挡区域的边界像素进行像素融合，包括：
计算所述第二修正图像内除所述遮挡区域外的全局像素梯度；
按照所述全局像素梯度求解如下泊松等式得到完整图像：
其中，
为所述完整图像，
为所述第二修正图像，
为所述全局像素梯度，
为所述完整图像的一阶梯度，
为所述遮挡区域，
为所述遮挡区域外围预设范围内的像素区域。
7.一种基于智能相框的被遮挡物修正装置，其特征在于，所述装置包括：
图像分析模块，用于获取智能相框内展示的部分遮挡图像，识别所述部分遮挡图像的画面场景，通过双重反馈的方式标注所述部分遮挡图像内的遮挡区域，根据所述画面场景的场景标签，查询与所述画面场景相对应的中轴线倾斜角，截取所述遮挡区域外围预设像素范围的外围区域，按照所述中轴线倾斜角构建对称轴，并按照所述对称轴将所述外围区域划分为两块镜像区域，计算所述两块镜像区域之间的像素分布相似度，并确定所述像素分布相似度为所述遮挡区域的对称系数；
第一修正模块，用于对所述部分遮挡图像进行单次下采样，并对单次下采样生成的采样图像进行转置卷积，得到第一修正图像，根据所述对称系数对所述第一修正图像内的遮挡区域进行像素修正，得到第二修正图像；
语义分析模块，用于利用空洞卷积提取所述第二修正图像的第一全局特征语义，以及利用所述空洞卷积提取所述部分遮挡图像的第二全局特征语义，以及利用所述空洞卷积提取所述第二修正图像内的遮挡区域的局部特征语义；
第二修正模块，用于计算所述第一全局特征语义与所述第二全局特征语义的全局一致性，以及计算所述第一全局特征语义与所述局部特征语义的局部一致性，当所述全局一致性与所述局部一致性之和小于或等于预设阈值时，返回对所述部分遮挡图像进行单次下采样的步骤，当所述全局一致性与所述局部一致性之和大于所述预设阈值时，对所述第二修正图像内的遮挡区域的边界像素进行像素融合，得到所述部分遮挡图像的修复图像所述修复图像的完整度大于所述部分遮挡图像的完整度。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于智能相框的被遮挡物修正方法。
9.一种计算机可读存储介质，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6中任意一项所述的基于智能相框的被遮挡物修正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210717679.0A CN114792295B (zh) | 2022-06-23 | 2022-06-23 | 基于智能相框的被遮挡物修正方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210717679.0A CN114792295B (zh) | 2022-06-23 | 2022-06-23 | 基于智能相框的被遮挡物修正方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114792295A CN114792295A (zh) | 2022-07-26 |
| CN114792295B true CN114792295B (zh) | 2022-11-04 |
Family
ID=82463190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210717679.0A Active CN114792295B (zh) | 2022-06-23 | 2022-06-23 | 基于智能相框的被遮挡物修正方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792295B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684973A (zh) * | 2018-12-18 | 2019-04-26 | 哈尔滨工业大学 | 基于对称一致性的卷积神经网络的人脸图像填充系统 |
| CN110458081A (zh) * | 2019-08-05 | 2019-11-15 | 上海天诚比集科技有限公司 | 基于多姿矫正和局部特征替换的人脸识别预处理方法 |
| CN111428581A (zh) * | 2020-03-05 | 2020-07-17 | 平安科技（深圳）有限公司 | 人脸遮挡检测方法及系统 |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
| CN112348912A (zh) * | 2020-10-29 | 2021-02-09 | 东莞市盟拓智能科技有限公司 | 基于rpca和pca的图像重建及异物检测方法 |
| CN112990052A (zh) * | 2021-03-28 | 2021-06-18 | 南京理工大学 | 基于人脸修复的部分遮挡人脸识别方法及装置 |
| CN113592735A (zh) * | 2021-07-23 | 2021-11-02 | 作业帮教育科技（北京）有限公司 | 文本页面图像还原方法及系统、电子设备和计算机可读介质 |
| CN114387199A (zh) * | 2020-10-19 | 2022-04-22 | 杭州海康威视数字技术股份有限公司 | 图像标注方法及装置 |
| CN114626982A (zh) * | 2022-02-16 | 2022-06-14 | 北京箩筐时空数据技术有限公司 | 场景重构方法及装置、存储介质和计算机设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297996B (zh) * | 2014-11-10 | 2018-03-27 | 上海天马微电子有限公司 | 一种彩膜基板、液晶显示面板和显示装置 |
| CN106231101B (zh) * | 2016-07-29 | 2019-05-17 | 维沃移动通信有限公司 | 一种提醒消息的显示方法及移动终端 |
| CN107050862B (zh) * | 2017-05-19 | 2018-06-15 | 网易（杭州）网络有限公司 | 游戏场景的显示控制方法及系统、存储介质 |
| CN108154088B (zh) * | 2017-12-11 | 2021-01-01 | 深圳市云之梦科技有限公司 | 一种导购机检测侧脸的方法及系统 |
| CN112597854B (zh) * | 2020-12-15 | 2023-04-07 | 重庆电子工程职业学院 | 无配合式人脸识别系统及方法 |
-
2022
- 2022-06-23 CN CN202210717679.0A patent/CN114792295B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684973A (zh) * | 2018-12-18 | 2019-04-26 | 哈尔滨工业大学 | 基于对称一致性的卷积神经网络的人脸图像填充系统 |
| CN110458081A (zh) * | 2019-08-05 | 2019-11-15 | 上海天诚比集科技有限公司 | 基于多姿矫正和局部特征替换的人脸识别预处理方法 |
| CN111428581A (zh) * | 2020-03-05 | 2020-07-17 | 平安科技（深圳）有限公司 | 人脸遮挡检测方法及系统 |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
| CN114387199A (zh) * | 2020-10-19 | 2022-04-22 | 杭州海康威视数字技术股份有限公司 | 图像标注方法及装置 |
| CN112348912A (zh) * | 2020-10-29 | 2021-02-09 | 东莞市盟拓智能科技有限公司 | 基于rpca和pca的图像重建及异物检测方法 |
| CN112990052A (zh) * | 2021-03-28 | 2021-06-18 | 南京理工大学 | 基于人脸修复的部分遮挡人脸识别方法及装置 |
| CN113592735A (zh) * | 2021-07-23 | 2021-11-02 | 作业帮教育科技（北京）有限公司 | 文本页面图像还原方法及系统、电子设备和计算机可读介质 |
| CN114626982A (zh) * | 2022-02-16 | 2022-06-14 | 北京箩筐时空数据技术有限公司 | 场景重构方法及装置、存储介质和计算机设备 |
Non-Patent Citations (6)
| Title |
|---|
| Extracting the symmetry axes of partially occluded single apples in natural scene using convex hull theory and shape context algorithm;Niu L等;《Multimedia Tools and Applications》;20171231;第76卷(第12期);第14075-14089页 * |
| Gradient based image completion by solving the Poisson equation;Shen J等;《Computers & Graphics》;20071231;第31卷(第1期);第119-126页 * |
| Symmetry-aware facade parsing with occlusions;Cohen A等;《2017 International Conference on 3D Vision (3DV)》;20180607;第393-401页 * |
| 全局与局部属性一致的图像修复模型;孙劲光等;《中国图象图形学报》;20201231;第25卷(第12期);第2505-2516页 * |
| 基于求解泊松方程和梯度的图像修复的研究;杨勇等;《计算机技术与发展》;20080228;第18卷(第2期);第98-103页 * |
| 自然场景中柑橘目标检测与遮挡恢复;卢军;《万方数据服务平台：https://d.wanfangdata.com.cn/thesis/D608783》;20150730;第1-147页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114792295A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| WO2021189827A1 (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
| WO2022247005A1 (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN111932534A (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
| CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
| CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
| CN114792295B (zh) | 基于智能相框的被遮挡物修正方法、装置、设备及介质 | |
| CN114390200B (zh) | 相机作弊识别方法、装置、设备及存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 | |
| CN114490666A (zh) | 基于数据需求的图表生成方法、装置、设备及存储介质 | |
| CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
| CN113504865A (zh) | 工单标签添加方法、装置、设备及存储介质 | |
| CN113869385A (zh) | 基于目标检测的海报比对方法、装置、设备及存储介质 | |
| CN114973294B (zh) | 基于图文匹配方法、装置、设备及存储介质 | |
| WO2022247006A1 (zh) | 基于多重特征的目标物分割方法、装置、设备及存储介质 | |
| CN115757987B (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
| CN114359645A (zh) | 基于特征区域的图像拓展方法、装置、设备及存储介质 | |
| CN114972887A (zh) | 信息资料合成方法、装置、设备及存储介质 |
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 |