CN114926492A - 图像数据处理方法、装置和服务器 - Google Patents
图像数据处理方法、装置和服务器 Download PDFInfo
- Publication number
- CN114926492A CN114926492A CN202210554847.9A CN202210554847A CN114926492A CN 114926492 A CN114926492 A CN 114926492A CN 202210554847 A CN202210554847 A CN 202210554847A CN 114926492 A CN114926492 A CN 114926492A
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- type
- determining
- data objects
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本说明书提供了图像数据处理方法、装置和服务器。基于该方法,在获取得到包含有待统计数量的数据对象的目标图像之后,可以先从目标图像中分离出前景图像;检测并确定出前景图像中的连通域;再通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。从而能够准确、高效地统计出目标图像中所包含的数据对象的具体数量。
Description
技术领域
本说明书属于图像处理技术领域,尤其涉及图像数据处理方法、装置和服务器。
背景技术
在图像处理技术领域,有时需要统计图像中所包含的目标的具体数量。例如,辨识和统计航拍图像中羊的数量。但是,基于现有的图像数据处理方法在统计目标数量时,往往存在误差大、效率低等技术问题。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了图像数据处理方法、装置和服务器,能够准确、高效地统计出目标图像中所包含的数据对象的具体数量。
本说明书实施例提供了一种图像数据处理方法,包括:
获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
从所述目标图像中分离出前景图像;
检测并确定出前景图像中的连通域;
通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
在一个实施例中,所述目标图像包括航拍图像。
在一个实施例中,从所述目标图像中分离出前景图像,包括:
确定出目标图像中各个像素点的颜色值;并统计得到各个颜色值的分布数据;
根据目标图像中各个像素点的颜色值和各个颜色值的分布数据,确定出目标图像中像素点的参照颜色值;
根据目标图像中像素点的参照颜色值,通过对目标图像进行二值化处理,以从目标图像中分离出前景图像和背景图像。
在一个实施例中,在从所述目标图像中分离出前景图像之后,所述方法还包括:
通过对前景图像进行形态学开运算,以去除前景图像中的图像噪声。
在一个实施例中,在检测并确定出前景图像中的连通域之后,所述方法还包括:
确定前景图像中连通域的位置信息;
根据连通域的位置信息,对前景图像中的连通域进行密度聚类,得到第一聚类结果;
根据第一聚类结果,从连通域中确定出离群点;并从所述连通域中剔除所述离群点。
在一个实施例中,在检测并确定出前景图像中的连通域之后,所述方法还包括:
计算前景图像中各个连通域的图像面积;
从前景图像中的连通域中剔除图像面积不符合要求的连通域。
在一个实施例中,通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域,包括:
利用KMeans算法对前景图像中的连通域进行聚类处理,得到第二聚类结果;
根据第二聚类结果,将前景图像中的连通域划分为第一类连通域和第二类连通域。
在一个实施例中,根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量,包括:
根据第一类连通域的图像面积,确定出单个数据对象的图像面积;
根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量;
根据各个连通域所对应的数据对象的数量,确定出目标图像中数据对象的数量。
在一个实施例中,根据第一类连通域的图像面积,确定出单个数据对象的图像面积,包括:
根据第一类连通域的图像面积,统计第一类连通域的图像总面积;
计算第一类连通域的图像总面积与第一类连通域的数量之间的第一类商值,作为单个数据对象的图像面积。
在一个实施例中,根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量,包括:
计算各个连通域的图像面积与单个数据对象的图像面积之间的商值,作为该连通域的第二类商值;
根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量。
在一个实施例中,根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量,包括:
根据预设的判定规则,在确定连通域的第二类商值小于第一阈值的情况下,确定该连通域所对应的数据对象的数量为0;
在确定连通域的第二类商值大于等于第一阈值,且小于第二阈值的情况下,确定该连通域所对应的数据对象的数量为1;
在确定连通域的第二类商值大于等于第二阈值的情况下,根据第二类商值,确定该连通域所对应的数据对象的数量。
在一个实施例中,根据第二类商值,确定该连通域所对应的数据对象的数量,包括:
计算第二类商值与校正系数之间的乘积,作为该连通域所对应的数据对象的数量;其中,所述校正系数根据预设的判定规则确定。
本说明书实施例还提供了一种图像数据处理装置,包括:
获取模块,用于获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
分离模块,用于从所述目标图像中分离出前景图像;
第一确定模块,用于检测并确定出前景图像中的连通域;
处理模块,用于通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
第二确定模块,用于根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
本说明书实施例还提供了一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现所述图像数据处理方法的步骤。
本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现所述图像数据处理方法的步骤。
本说明书实施例还提供了一种计算机程序产品,包含有计算机程序,所述计算机程序被处理器执行时实现所述图像数据处理方法的步骤。
基于本说明书提供的图像数据处理方法、装置和服务器,在获取得到包含有待统计数量的数据对象的目标图像之后,可以先从目标图像中分离出前景图像;检测并确定出前景图像中的连通域;再通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。从而能够准确、高效地统计出目标图像中所包含的数据对象的具体数量,有效地减少统计误差,提高统计精度。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,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是本说明书的一个实施例提供的图像数据处理方法的流程示意图;
图2是在一个场景示例中,应用本说明书实施例提供的图像数据处理方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的图像数据处理方法的一种实施例的示意图;
图4是在一个场景示例中,应用本说明书实施例提供的图像数据处理方法的一种实施例的示意图;
图5是在一个场景示例中,应用本说明书实施例提供的图像数据处理方法的一种实施例的示意图;
图6是在一个场景示例中,应用本说明书实施例提供的图像数据处理方法的一种实施例的示意图;
图7是本说明书的一个实施例提供的服务器的结构组成示意图;
图8是本说明书的一个实施例提供的图像数据处理装置的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
参阅图1所示,本说明书实施例提供了一种图像数据处理方法。具体实施时,该方法可以包括以下内容。
S101:获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
S102:从所述目标图像中分离出前景图像;
S103:检测并确定出前景图像中的连通域;
S104:通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
S105:根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
在一些实施例中,上述图像数据处理方法具体可以应用于服务器一侧。
在本实施例中,所述服务器具体可以包括一种应用于业务数据处理系统一侧,能够实现数据传输、数据处理等功能的后台服务器。具体的,所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在一些实施例中,上述目标图像具体可以理解为待处理的图像。其中,目标图像中至少包含有待统计的数据对象。
其中,上述数据对象具体可以为用户关注的数据对象。具体的,上述数据对象可以为自身颜色较为统一,且与背景颜色差异较大的数据对象。例如,草地上的羊群、雪地中的树木,或者沙漠中的绿植等。又例如,雪地中风力发电站、森林中的厂房等。
当然,需要说明的是,上述所列举的数据对象只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,上述数据对象还可以包括其他类型的对象。对此,本说明书不作限定。
在一些实施例中,上述目标图像具体可以包括航拍图像。
具体的,例如,参阅图2所示,上述目标图像可以为通过无人机拍摄的包含有草地上的羊群的航拍图像。
在一些实施例中,上述获取目标图像,具体实施时,可以通过无人机等设备拍摄获取包含有的待统计的数据对象的照片作为上述目标图像;也可以通过无人机等设备拍摄包含有的待统计的数据对象的视频,再从该视频中截取截图,作为目标图像。
在一些实施例中,上述前景图像具体可以理解为目标图像中分离出的包含有待统计的数据对象的图像层。
在一些实施例中,具体实施时,可以通过对目标图像进行自适应二值化处理,以从目标图像中的分离出前景图像和背景图像。
在一些实施例中,上述从所述目标图像中分离出前景图像,具体实施时,可以包括以下内容:
S1:确定出目标图像中各个像素点的颜色值;并统计得到各个颜色值的分布数据;
S2:根据目标图像中各个像素点的颜色值和各个颜色值的分布数据,确定出目标图像中像素点的参照颜色值;
S3:根据目标图像中像素点的参照颜色值,通过对目标图像进行二值化处理,以从目标图像中分离出前景图像和背景图像。
具体计算参照颜色值时,可以根据目标图像中各个像素点的颜色值和各个颜色值的分布数据,计算出目标图像中像素点的颜色值的平均值作为参照颜色值。
具体进行二值化处理时,可以将目标图像中的各个像素点的颜色值分别与参照颜色值进行比较,得到对应的比较结果;根据比较结果,将颜色值小于等于参照颜色值的像素点的颜色值统一设置为第一颜色值(例如,白色);将颜色值大于参照颜色值的像素点的颜色值统一设置为第二颜色值(例如,黑色);再将颜色值为第一颜色值的像素点分离出来得到前景图像,将颜色值为第二颜色值的像素点分离处理得到背景图像。
基于上述实施例,可以按照上述方式,从目标图像中较为准确地分离出前景图像,例如,可以参阅图3所示。
在一些实施例中,具体实施前,可以先利用标注出前景区和背景区的样本图像作为训练数据;利用训练数据训练初始模型,得到能够分割前景区和背景区的图像分割模型。具体实施时,可以调用图像分割模型处理目标图像,以输出得到该目标图像的前景图像。
在一些实施例中,在从所述目标图像中分离出前景图像之后,所述方法具体实施时,还可以包括以下内容:通过对前景图像进行形态学开运算,以去除前景图像中的图像噪声。
具体的,对前景图像进行形态学开运算,可以包括:利用形态学操作中的膨胀与闭操作,对图像依次进行膨胀、闭操作、再膨胀处理;根据操作处理后的前景图像,找出亮度较高的噪声点进行删除,以去除前景图像中的图像噪声,得到较为纯净、效果较好的去噪后的前景图像。
基于上述实施例,可以按照上述方式对图3所示的前景图像进行去噪处理,得去噪后的前景图像,可以参阅图4所示。对比图3和图4可知,通过去噪处理确实能够有效地去除原前景图像中的噪声点,有效地提高了图像质量。
在一些实施例中,上述检测并确定出前景图像中的连通域,具体实施时,可以包括:获取前景图像中的图形轮廓特征;根据图形轮廓特征,从前景图像中检测并确定出连通域。
在一些实施例中,在检测并确定出前景图像中的连通域之后,所述方法具体实施时,还可以包括以下内容:
S1:确定前景图像中连通域的位置信息;
S2:根据连通域的位置信息,对前景图像中的连通域进行密度聚类,得到第一聚类结果;
S3:根据第一聚类结果,从连通域中确定出离群点;并从所述连通域中剔除所述离群点。
具体的,可以计算并确定出连通域中的质心坐标作为该连通域的位置信息。
上述根据连通域的位置信息,对前景图像中的连通域进行密度聚类,具体实施时,可以将各个连通域的位置信息作为输入,利用DBSCAN算法对前景图像中的连通域进行密度聚类,得到对应的第一聚类结果。
其中,DBSCAN(Density-Based Spatial Clustering of Applications withNoise)算法具体是一种基于密度的聚类算法。与划分和层次聚类的算法不同,基于该算法将簇定义为密度相连的点的最大集合,能够将具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
具体实施时,根据第一聚类结果,可以从前景图像中筛选出离群簇距离较远的连通区域,作为离群点。具体可以参阅图5中使用圆圈圈出的区域。结合数据对象的行为特性(例如,羊群的群活动特性),以及误差容忍度,可以判断距离群簇较远的离群点较大概率不是真正的数据对象,而是其他的干扰对象(例如,距离羊群较远的帐篷等)。
因此,可以根据上述第一聚类结果,从前景图像中的连通域中剔除上述离群点,排除干扰对象的干扰,得到精度相对更高、误差相对更小的真正包含有待统计的数据对象的连通域。
在一些实施例中,在检测并确定出前景图像中的连通域之后,所述方法具体实施时,还可以包括以下内容:
S1:计算前景图像中各个连通域的图像面积;
S2:从前景图像中的连通域中剔除图像面积不符合要求的连通域。
其中,上述图像面积不符合要求的连通域具体可以理解为图像面积较小、大概率不包含有数据对象的连通域。
基于上述实施例,通过确定并剔除图像面积不符合要求的连通域,可以进一步消除误差,得到精度更高、效果更好的连通域。
在一些实施例中,具体实施时,可以将多个连通域按照连通域的图像面积由大到小的顺序排列;将排序靠后的若干个连通域确定为图像面积不符合要求的连通域。
在一些实施例中,具体实施时,还可以根据各个连通域的图像面积,计算出连通域的图像面积的平均值;从多个连通域中筛选出图像面积与图像面积的平均值相差较大的连通域作为图像面积不符合要求的连通域。例如,可以从多个连通域中筛选出图像面积小于图像面积的平均值1/3的连通域作为上述图像面积不符合要求的连通域。
在一些实施例中,上述通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域,具体实施时,可以包括以下内容:
S1:利用KMeans算法对前景图像中的连通域进行聚类处理,得到第二聚类结果;
S2:根据第二聚类结果,将前景图像中的连通域划分为第一类连通域和第二类连通域。
其中,上述第一类连通域具体可以理解为只包含有单个数据对象的连通域。上述第二类连通域具体可以理解为包含有多个数据对象的连通域。
基于上述实施例,通过利用KMeans算法对前景图像中的连通域进行聚类处理,可以高效、精准地从前景图像的连通域中划分出第一类连通域和第二类连通域。
在一些实施例中,上述根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量,具体实施时,可以包括以下内容:
S1:根据第一类连通域的图像面积,确定出单个数据对象的图像面积;
S2:根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量;
S3:根据各个连通域所对应的数据对象的数量,确定出目标图像中数据对象的数量。
其中,上述预设的判定规则具体可以为预先对大量包含有样本对象的样本图像的图像特征进行学习、统计所建立得到的。
基于上述实施例,通过利用预设的判定规则、各个连通域的图像面积,能够准确地统计出目标图像中数据对象的数量。
在一些实施例中,上述根据第一类连通域的图像面积,确定出单个数据对象的图像面积,具体实施时,可以包括以下内容:根据第一类连通域的图像面积,统计第一类连通域的图像总面积;计算第一类连通域的图像总面积与第一类连通域的数量之间的第一类商值,作为单个数据对象的图像面积。
在一些实施例中,可以通过计算第一类连通域的图像面积、第二类连通域的图像面积,得到各个连通域的图像面积。
在一些实施例中,上述根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量,具体实施时,可以包括以下内容:计算各个连通域的图像面积与单个数据对象的图像面积之间的商值,作为该连通域的第二类商值;根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量。进而可以累加各个连通域所对应的数据对象的数量,作为目标图像中数据对象的数量。
在一些实施例中,上述根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量,具体实施时,可以包括以下内容:
S1:根据预设的判定规则,在确定连通域的第二类商值小于第一阈值的情况下,确定该连通域所对应的数据对象的数量为0;
S2:在确定连通域的第二类商值大于等于第一阈值,且小于第二阈值的情况下,确定该连通域所对应的数据对象的数量为1;
S3:在确定连通域的第二类商值大于等于第二阈值的情况下,根据第二类商值,确定该连通域所对应的数据对象的数量。
其中,上述第一阈值、第二阈值具体可以是根据预设的判定规则确定的。
具体的,例如,第一阈值可以为0.3,第二阈值可以为1.8。当然,上述所列举的第一阈值和第二阈值只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,所确定和使用的预设的判定规则可以存在差异,相应的,所使用的第一阈值、第二阈值的具体数值也可以存在差异。
在本实施例中,在确定连通域的第二类商值小于第一阈值时,可以确定该连通域的图像面积过小,甚至无法包含一个完整的数据对象,因此,可以确定该连通域所对应的数据对象的数量为0。在确定连通域的第二类商值大于等于第一阈值,且小于第二阈值时,可以确定该连通域的图像面积大小合适,至少包含有一个完整的数据对象,同时由于图像面积有限,所包含的数据对象的数量不会超过2,因此,可以确定该连通域所对应的数据对象的数量为1。
在一些实施例中,上述根据第二类商值,确定该连通域所对应的数据对象的数量,具体实施时,可以包括以下内容:计算第二类商值与校正系数之间的乘积,作为该连通域所对应的数据对象的数量;其中,所述校正系数根据预设的判定规则确定。
其中,上述校正系数具体可以为1.1。当然,上述所列举的校正系数只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,所确定和使用的预设的判定规则可以存在差异,相应的,所使用的校正系数的具体数值也可以存在差异。
具体实施时,在计算出第二类商值与校正系数之间的乘积为整数时,可以将该乘积直接确定为该连通域所对应的数据对象的数量。
在计算出第二类商值与校正系数之间的乘积为非整数时,可以将乘积拆分为整数部分和小数部分,先比较小数部分与预设阈值(例如,0.5)大小,得到对应的小数比较结果;根据比较结果和整数部分,确定该连通域所对应的数据对象的数量。
例如,根据比较结果,在确定小数部分大于等于预设阈值的情况下,可以将整数部分加1后得到数值作为该连通域所对应的数据对象的数量;根据比较结果,在确定小数部分小于预设阈值的情况下,可以将整数部分作为该连通域所对应的数据对象的数量。
基于上述实施例,按照上述方式,对图5所示出的剔除了离群点后的连通域进行处理,可以准确地统计出目标图像中所包含的羊的数量。
在一些实施例中,具体实施时,参阅图6所示,在获取目标图像之后,可以先从目标图像中分离出前景图像;再该前景图像进行形态学开运算,以去除前景图像中的图像噪声,得到去噪后的前景图像;再通过对去噪后的前景图像进行密度聚类,并剔除其中的离群点,得到剔除后的前景图像;再计算并根据提出后的前景图像中连通域的图像面积,剔除图像面积不符合要求的连通域,得到误差相对较小的多个连通域;再对多个连通域进行聚类处理,从多个连通域中划分出第一类连通域和第二类连通域;最后可以根据第一类连通域的图像面积和第二类连通域的图像面积,准确地统计出目标图像中数据对象的数量。
在一些实施例中,在数据对象包括诸如森林中的厂房、雪地中的发电站等建筑物的情况下,在确定出目标图像中数据对象的数量之后,所述方法还可以包括:根据当前时间段目标图像中建筑的数量,以及上一个时间段目标图像中建筑物的数量,确定出当前时间段目标工程的实际工程进度。从而可以对目标工程的进度进行有效监控。
由上可见,基于本说明书实施例提供的图像数据处理方法,在获取得到包含有待统计数量的数据对象的目标图像之后,可以先从目标图像中分离出前景图像;并检测并确定出前景图像中的连通域;再通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。从而能够准确、高效地统计出目标图像中所包含的数据对象的具体数量,有效地减少统计误差,提高统计精度。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;从所述目标图像中分离出前景图像;检测并确定出前景图像中的连通域;通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
为了能够更加准确地完成上述指令,参阅图7所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口701、处理器702以及存储器703,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口701,具体可以用于获取目标图像;其中,所述目标图像包含有待统计数量的数据对象。
所述处理器702,具体可以用于从所述目标图像中分离出前景图像;检测并确定出前景图像中的连通域;通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
所述存储器703,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口701可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器702可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器703可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述图像数据处理方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;从所述目标图像中分离出前景图像;检测并确定出前景图像中的连通域;通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
本说明书实施例还提供了一种计算机程序产品,包含有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;从所述目标图像中分离出前景图像;检测并确定出前景图像中的连通域;通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
参阅图8所示,在软件层面上,本说明书实施例还提供了一种图像数据处理装置,该装置具体可以包括以下的结构模块:
获取模块801,具体可以用于获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
分离模块802,具体可以用于从所述目标图像中分离出前景图像;
第一确定模块803,具体可以用于检测并确定出前景图像中的连通域;
处理模块804,具体可以用于通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
第二确定模块805,具体可以用于根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
在一些实施例中,所述目标图像具体可以包括航拍图像等。
在一些实施例中,上述分离模块802具体实施时,可以按照以下方式从所述目标图像中分离出前景图像:确定出目标图像中各个像素点的颜色值;并统计得到各个颜色值的分布数据;根据目标图像中各个像素点的颜色值和各个颜色值的分布数据,确定出目标图像中像素点的参照颜色值;根据目标图像中像素点的参照颜色值,通过对目标图像进行二值化处理,以从目标图像中分离出前景图像和背景图像。
在一些实施例中,在从所述目标图像中分离出前景图像之后,所述装置具体实施时,还可以通过对前景图像进行形态学开运算,以去除前景图像中的图像噪声。
在一些实施例中,在检测并确定出前景图像中的连通域之后,所述装置具体实施时,还可以确定前景图像中连通域的位置信息;根据连通域的位置信息,对前景图像中的连通域进行密度聚类,得到第一聚类结果;根据第一聚类结果,从连通域中确定出离群点;并从所述连通域中剔除所述离群点。
在一些实施例中,在检测并确定出前景图像中的连通域之后,所述装置具体实施时,还可以计算前景图像中各个连通域的图像面积;从前景图像中的连通域中剔除图像面积不符合要求的连通域。
在一些实施例中,所述处理模块804具体实施时,可以按照以下方式通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域:利用KMeans算法对前景图像中的连通域进行聚类处理,得到第二聚类结果;根据第二聚类结果,将前景图像中的连通域划分为第一类连通域和第二类连通域。
在一些实施例中,所述第二确定模块805,具体实施时,可以按照以下方式根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量:根据第一类连通域的图像面积,确定出单个数据对象的图像面积;根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量;根据各个连通域所对应的数据对象的数量,确定出目标图像中数据对象的数量。
在一些实施例中,所述第二确定模块805,具体实施时,可以按照以下方式根据第一类连通域的图像面积,确定出单个数据对象的图像面积:根据第一类连通域的图像面积,统计第一类连通域的图像总面积;计算第一类连通域的图像总面积与第一类连通域的数量之间的第一类商值,作为单个数据对象的图像面积。
在一些实施例中,所述第二确定模块805,具体实施时,可以按照以下方式根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量:计算各个连通域的图像面积与单个数据对象的图像面积之间的商值,作为该连通域的第二类商值;根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量。
在一些实施例中,所述第二确定模块805,具体实施时,可以按照以下方式根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量:根据预设的判定规则,在确定连通域的第二类商值小于第一阈值的情况下,确定该连通域所对应的数据对象的数量为0;在确定连通域的第二类商值大于等于第一阈值,且小于第二阈值的情况下,确定该连通域所对应的数据对象的数量为1;在确定连通域的第二类商值大于等于第二阈值的情况下,根据第二类商值,确定该连通域所对应的数据对象的数量。
在一些实施例中,所述第二确定模块805,具体实施时,可以按照以下方式根据第二类商值,确定该连通域所对应的数据对象的数量:计算第二类商值与校正系数之间的乘积,作为该连通域所对应的数据对象的数量;其中,所述校正系数根据预设的判定规则确定。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,基于本说明书实施例提供的图像数据处理装置,在获取得到包含有待统计数量的数据对象的目标图像之后,可以先从目标图像中分离出前景图像;并检测并确定出前景图像中的连通域;再通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。从而能够准确、高效地统计出目标图像中所包含的数据对象的具体数量。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上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,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (16)
1.一种图像数据处理方法,其特征在于,包括:
获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
从所述目标图像中分离出前景图像;
检测并确定出前景图像中的连通域;
通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
2.根据权利要求1所述的方法,其特征在于,所述目标图像包括航拍图像。
3.根据权利要求1所述的方法,其特征在于,从所述目标图像中分离出前景图像,包括:
确定出目标图像中各个像素点的颜色值;并统计得到各个颜色值的分布数据;
根据目标图像中各个像素点的颜色值和各个颜色值的分布数据,确定出目标图像中像素点的参照颜色值;
根据目标图像中像素点的参照颜色值,通过对目标图像进行二值化处理,以从目标图像中分离出前景图像和背景图像。
4.根据权利要求1所述的方法,其特征在于,在从所述目标图像中分离出前景图像之后,所述方法还包括:
通过对前景图像进行形态学开运算,以去除前景图像中的图像噪声。
5.根据权利要求1所述的方法,其特征在于,在检测并确定出前景图像中的连通域之后,所述方法还包括:
确定前景图像中连通域的位置信息;
根据连通域的位置信息,对前景图像中的连通域进行密度聚类,得到第一聚类结果;
根据第一聚类结果,从连通域中确定出离群点;并从所述连通域中剔除所述离群点。
6.根据权利要求1所述的方法,其特征在于,在检测并确定出前景图像中的连通域之后,所述方法还包括:
计算前景图像中各个连通域的图像面积;
从前景图像中的连通域中剔除图像面积不符合要求的连通域。
7.根据权利要求5或6所述的方法,其特征在于,通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域,包括:
利用KMeans算法对前景图像中的连通域进行聚类处理,得到第二聚类结果;
根据第二聚类结果,将前景图像中的连通域划分为第一类连通域和第二类连通域。
8.根据权利要求1所述的方法,其特征在于,根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量,包括:
根据第一类连通域的图像面积,确定出单个数据对象的图像面积;
根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量;
根据各个连通域所对应的数据对象的数量,确定出目标图像中数据对象的数量。
9.根据权利要求8所述的方法,其特征在于,根据第一类连通域的图像面积,确定出单个数据对象的图像面积,包括:
根据第一类连通域的图像面积,统计第一类连通域的图像总面积;
计算第一类连通域的图像总面积与第一类连通域的数量之间的第一类商值,作为单个数据对象的图像面积。
10.根据权利要求8所述的方法,其特征在于,根据预设的判定规则、各个连通域的图像面积,以及单个数据对象的图像面积,确定出各个连通域所对应的数据对象的数量,包括:
计算各个连通域的图像面积与单个数据对象的图像面积之间的商值,作为该连通域的第二类商值;
根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量。
11.根据权利要求10所述的方法,其特征在于,根据预设的判定规则和第二类商值,确定各个连通域所对应的数据对象的数量,包括:
根据预设的判定规则,在确定连通域的第二类商值小于第一阈值的情况下,确定该连通域所对应的数据对象的数量为0;
在确定连通域的第二类商值大于等于第一阈值,且小于第二阈值的情况下,确定该连通域所对应的数据对象的数量为1;
在确定连通域的第二类商值大于等于第二阈值的情况下,根据第二类商值,确定该连通域所对应的数据对象的数量。
12.根据权利要求11所述的方法,其特征在于,根据第二类商值,确定该连通域所对应的数据对象的数量,包括:
计算第二类商值与校正系数之间的乘积,作为该连通域所对应的数据对象的数量;其中,所述校正系数根据预设的判定规则确定。
13.一种图像数据处理装置,其特征在于,包括:
获取模块,用于获取目标图像;其中,所述目标图像包含有待统计数量的数据对象;
分离模块,用于从所述目标图像中分离出前景图像;
第一确定模块,用于检测并确定出前景图像中的连通域;
处理模块,用于通过对前景图像中的连通域进行聚类处理,确定出第一类连通域和第二类连通域;其中,所述第一类连通域包含单个数据对象;所述第二类连通域包含多个数据对象;
第二确定模块,用于根据第一类连通域和第二类连通域,确定出目标图像中数据对象的数量。
14.一种服务器,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至12中任一项所述方法的步骤。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被处理器执行时实现权利要求1至12中任一项所述方法的步骤。
16.一种计算机程序产品,其特征在于,包含有计算机程序,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554847.9A CN114926492A (zh) | 2022-05-20 | 2022-05-20 | 图像数据处理方法、装置和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554847.9A CN114926492A (zh) | 2022-05-20 | 2022-05-20 | 图像数据处理方法、装置和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926492A true CN114926492A (zh) | 2022-08-19 |
Family
ID=82810969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210554847.9A Pending CN114926492A (zh) | 2022-05-20 | 2022-05-20 | 图像数据处理方法、装置和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926492A (zh) |
-
2022
- 2022-05-20 CN CN202210554847.9A patent/CN114926492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
US9830736B2 (en) | Segmenting objects in multimedia data | |
JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN111091106B (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN112183212A (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN108961316A (zh) | 图像处理方法、装置及服务器 | |
CN111445442A (zh) | 基于神经网络的人群计数方法、装置、服务器及存储介质 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN113822110B (zh) | 一种目标检测的方法和装置 | |
CN117294497A (zh) | 一种网络流量异常检测方法、装置、电子设备及存储介质 | |
JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
CN115065842B (zh) | 基于虚拟现实的全景视频串流交互方法及系统 | |
CN114926492A (zh) | 图像数据处理方法、装置和服务器 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
CN113256484B (zh) | 一种对图像进行风格化处理的方法及装置 | |
CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
CN112132215B (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
Agarwal et al. | A maximum relevancy and minimum redundancy feature selection approach for median filtering forensics | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN113191210A (zh) | 一种图像处理方法、装置及设备 | |
CN111612804B (zh) | 图像分割方法、装置、电子设备及存储介质 |
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 |