CN116453173A - 一种基于图片区域分割技术的图片处理方法 - Google Patents
一种基于图片区域分割技术的图片处理方法 Download PDFInfo
- Publication number
- CN116453173A CN116453173A CN202211623346.8A CN202211623346A CN116453173A CN 116453173 A CN116453173 A CN 116453173A CN 202211623346 A CN202211623346 A CN 202211623346A CN 116453173 A CN116453173 A CN 116453173A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- processing
- detection
- face information
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 138
- 238000001514 detection method Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图片区域分割技术的图片处理方法,该图片处理方法包括以下步骤:若需要进行图片处理,则将该组图片加入图片处理集;询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理;即使不考虑人脸信息时,也能够对图片中的法律风险进行评估,并自动对高风险区域进行马赛克处理,从而可以有效杜绝后期的法律风险;对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台。本发明能够突出图片中的主体,同时对大量图片的人脸信息的隐藏更加的高效。
Description
技术领域
本发明涉及图片处理技术领域,具体来说,涉及一种基于图片区域分割技术的图片处理方法。
背景技术
随着信息化时代的到来,人类越来越多的通过图片感知世界,图片是人类传递信息和表达信息的重要手段。图片处理是对图片进行调色、抠图、合成、图像的分割等,并对图片进行加工、处理,使其满足人们的需求的技术,然后将图片以数字形式存储,因而图片处理一般指数字图片处理。
图像分割是指根据图像的特征将图像中拥有相似特性的像素划分为一个类别,把图像划分成若干个互不相交的区域,使得每个类别具有不同的语义,而在不同区域间表现出明显的不同,进而把目标从背景中分离出来。而包含人脸的图像是图像中的一大类,人脸信息是个人核心隐私,其能够显示身体、年龄、健康、心理及其他私密信息。比如,有些银行账户和人脸信息进行绑定、关联。因此,一旦人脸信息被泄露,或被不法分子违法共享、转让,会造成严重后果。因此,需要对图片中的人脸相关信息进行高度关注。而在图片的处理过程中,常常会遇到带有人脸信息的图片,若图片所有者不像将图片中的人脸信息外漏,则需要对图片中的人脸信息进行处理。
例如,中国专利号202011011830.6,公开了图片区域分割方法、装置、电子设备及存储介质,其包括对图片噪声进行处理、分辨率增强等,可以应用于胸部CT图片中胸腔积液区域的分割,且可以提高图片分割的准确度。又如,中国专利号201610373198.7,公开了图片处理方法及系统,其通过计算每个子区域的对比度,并根据每个子区域的对比度确定所述待处理图片的模糊程度,及根据所述待处理图片的模糊程度对所述待处理图片进行处理,确保摄像设备获取清晰的图像。但是以上方法还存在以下缺陷:现有的图像处理方法,还没有针对包括人脸的图像的处理。而人脸信息又涉及到个人敏感信息,会涉及到侵犯肖像权等法律风险,因此对于图像处理过程中出现的人脸信息进行隐藏是有必要的。同时大量图像的处理过程中,由于有大量的小文件需要处理,而造成图像的处理效率较低,因此需要针对大量图像处理效率低的问题进行解决。
发明内容
针对相关技术中的问题,本发明提出一种基于图片区域分割技术的图片处理方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于图片区域分割技术的图片处理方法,该图片处理方法包括以下步骤:
获取一组图片,并询问是否对该组图片进行处理,若需要进行图片处理,则将该组图片加入图片处理集;
询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理;
若选择不进行人脸信息判断,则通过预设的匹配模板数据库对图片处理集进行相似度匹配,从而对其中的图片的法律风险进行评估,若风险评估值较高,则并对图片处理集中相应的高风险图片中的风险较高区域进行识别标定,并对相应的风险较高区域进行马赛克处理,其余部分进行分割处理,图片处理集内的其余图片正常进行分割处理;若风险评估值较低,则对图片处理集内的所有图片进行分割处理;
对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台。
进一步的,所述询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理还包括以下步骤:
检测图片处理集内的所有图片的存储容量大小,若任一图片的存储容量大于等于预设阈值,则将该图片归类为第一检测图片集合;
若任一图片的存储容量小于预设阈值,则将该图片归类为第二检测图片集合;
利用Hadoop的图片文件的组合图片文件输入格式类,并在组合图片文件输入格式类中创建组合图片文件记录读取器,同时组合图片文件记录读取器为每一个第二检测图片均创建图片记录读取器;
设置每个输入图片文件不被分片,且图片记录读取器为每一个第二检测图片生成一对键值,其中,键为第二检测图片的文件路径,值为第二检测图片文件;
组合图片文件输入格式类将第二检测图片集合中的若干图片合并成一个容量大于等于预设阈值的图片,并形成第三检测图片集合;
对第三检测图片集合中的所有图片进行隐私保护处理;
对第一检测图片集合中的所有图片进行隐私保护处理。
所述预设阈值为64M。
进一步的,为了可将小图片文件合并,减少文件的数量,进而减少Hadoop框架中Map任务的启动数量,提高检测效率,所述对第三检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
Hadoop中的Map函数通过从图片记录读取器处获得第三检测图片集合中的所有第二检测图片的图片路径及图片文件,并通过人脸检测算法对所有第三检测图片进行人脸信息检测,获得人脸信息的位置,同时每个人脸信息的位置对应于一个第二检测图片,即从第二检测图片集合筛选出一个具有人脸信息的图片集合;
MapReduce框架将具有人脸信息的图片集合中的图片键值传给reduce函数,reduce函数将具有人脸信息的图片集合中的图片保存至新的存放路径;
导入cv2库并读取具有人脸信息的图片集合中的图片;
创建人脸检测器并对具有人脸信息的图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的具有人脸信息的图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖。
进一步的,所述对具有人脸信息的图片集合中的图片进行灰度处理还包括以下步骤:
读取具有人脸信息的图片集合中的图片中所有像素的红色、绿色及蓝色三个通道的值;
对所有像素的红色、绿色及蓝色三个通道的值进行转变:
式中,R、G、B分别为红色、绿色及蓝色通道值,Gray为灰度值转化后的值。
进一步的,所述对第一检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
导入cv2库并读取第一检测图片集合中的图片;
创建人脸检测器并对第一检测图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的第一检测图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖。
进一步的,所述若选择不进行人脸信息判断,则对图片处理集内的所有图片进行分割处理时,分割方法包括灰度阈值分割法、边缘分割法、直方图法及基于图像分割模型的方法。
进一步的,所述灰度阈值分割法对图片处理集内的所有图片进行分割处理还包括以下步骤:
获取图片处理集内的所有图片的灰度值,将图片处理集内的所有图片分割为背景和主体;
分割为背景和主体时,将图片处理集内进行变换:
式中,g(i,j)为变换后图片元素,f(i,j)为变换前图片元素,i,j均为像素坐标点,T为二值化阈值,1代表主体,0代表背景。
进一步的,所述二值化阈值T的取值时,对相应的图片进行直方图分析,当直方图呈现双峰时,选择两个峰值的中点作为二值化阈值T。
进一步的,为了降低了云服务平台的容量压力,降低成本,所述对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台时,检查云服务平台内已有的图片数据,若检查出相同的图片数据,则将相同的图片数据的副本删除,同时标记已存在的图片数据。
进一步的,为了能够在云服务平台判断出已经存在原有图片数据,所述若检查出相同的图片数据,则将相同的图片数据的副本删除时,基于hash进行图片数据的副本删除;
其中,所述基于hash还包括以下步骤:
通过MD-5将云服务平台的已有图片数据进行流切分成块,并为每个块生成一个hash;
若新的图片数据块的hash和已有图片数据块的hash相同,则判断该新的图片数据已经存在副本,同时将副本删除。
本发明的有益效果为:
(1)本发明通过对图片进行分割处理,从而能够突出图片中的主体,进而在对图片中的主体进行观察研究时,更加的方便且清晰。
(2)本发明在对图片进行分割处理的情况下,首先可以进行图片人脸信息的处理,且在对图片中人脸信息进行处理的过程中,利用Hadoop架构,将图片处理集内的小图片文件进行组合成大图片文件,这样在进行人脸信息检测时能够更加高效,进而使得本发明的图片处理方法更加适用于大量小图片文件的处理。
(3)本发明在图片处理过程中,能够将图片中人脸进行矩形框的框选,对图片内矩形框中的人脸信息进行隐藏遮盖,当人们不想外漏人脸信息时,可以有效保护图片所有者的个人敏感信息,有利于提高相关人士的信息安全;即使不考虑人脸信息时,也能够自动对图片中的法律风险进行评估,并自动对高风险区域进行马赛克处理,从而可以有效杜绝后期的法律风险。
(4)本发明通过将图片上传至云服务平台,使得图片可以多设备共同使用,且可以检测是否有相同图片重复上传,有效的控制数据存储量,降低了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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是根据本发明实施例的一种基于图片区域分割技术的图片处理方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于图片区域分割技术的图片处理方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于图片区域分割技术的图片处理方法,该图片处理方法包括以下步骤:
S1、获取一组图片,并询问是否对该组图片进行处理,若需要进行图片处理,则将该组图片加入图片处理集;
S2、询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理;
在一个实施例中,所述询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理还包括以下步骤:
检测图片处理集内的所有图片的存储容量大小,若任一图片的存储容量大于等于预设阈值,则将该图片归类为第一检测图片集合;
若任一图片的存储容量小于预设阈值,则将该图片归类为第二检测图片集合;
利用Hadoop的图片文件的组合图片文件输入格式类,并在组合图片文件输入格式类中创建组合图片文件记录读取器,同时组合图片文件记录读取器为每一个第二检测图片均创建图片记录读取器;
设置每个输入图片文件不被分片,且图片记录读取器为每一个第二检测图片生成一对键值,其中,键为第二检测图片的文件路径,值为第二检测图片文件;
组合图片文件输入格式类将第二检测图片集合中的若干图片合并成一个容量大于等于预设阈值的图片,并形成第三检测图片集合;Hadoop框架可将小图片文件合并,减少文件的数量,进而减少Map任务的启动数量,提高检测效率。
对第三检测图片集合中的所有图片进行隐私保护处理;
对第一检测图片集合中的所有图片进行隐私保护处理;
所述预设阈值可优选为64M。
Hadoop是由Apache基金会所开发的分布式系统基础架构。若用户不了解分布式底层细节,则开发分布式程序并充分利用集群的威力进行高速运算和存储。
在一个实施例中,所述对第三检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
Hadoop中的Map函数通过从图片记录读取器处获得第三检测图片集合中的所有第二检测图片的图片路径及图片文件,并通过人脸检测算法对所有第三检测图片进行人脸信息检测,获得人脸信息的位置,同时每个人脸信息的位置对应于一个第二检测图片,即从第二检测图片集合筛选出一个具有人脸信息的图片集合;
MapReduce框架将具有人脸信息的图片集合中的图片键值传给reduce函数,reduce函数将具有人脸信息的图片集合中的图片保存至新的存放路径;
导入cv2库并读取具有人脸信息的图片集合中的图片;
创建人脸检测器并对具有人脸信息的图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的具有人脸信息的图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖。同时覆盖的颜色也可调成其它,例如蓝色、红色等。
在一个实施例中,所述对具有人脸信息的图片集合中的图片进行灰度处理还包括以下步骤:
读取具有人脸信息的图片集合中的图片中所有像素的红色、绿色及蓝色三个通道的值;
对所有像素的红色、绿色及蓝色三个通道的值进行转变:
式中,R、G、B分别为红色、绿色及蓝色通道值,Gray为灰度值转化后的值。
在一个实施例中,所述对第一检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
导入cv2库并读取第一检测图片集合中的图片;
创建人脸检测器并对第一检测图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的第一检测图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖。
S3、若选择不进行人脸信息判断,则通过预设的匹配模板数据库对图片处理集进行相似度匹配,从而对其中的图片的法律风险进行评估,若风险评估值较高,则并对图片处理集中相应的高风险图片中的风险较高区域进行识别标定,并对相应的风险较高区域进行马赛克处理,其余部分进行分割处理,图片处理集内的其余图片正常进行分割处理;若风险评估值较低,则对图片处理集内的所有图片进行分割处理;
在一个实施例中,预设的匹配模板数据库可以是在线的肖像权数据库,也可以是某些版权照片的数据网站,通过图片集中的图片与上述数据库中的图片相似度匹配,比如相似度大于等于80%则定义为法律风险较高,则挑选出相应的高风险图片,并图片中的风险较高区域进行识别标定,并对相应的风险较高区域进行马赛克处理,其余部分进行分割处理,图片处理集内的其余图片正常进行分割处理;
在一个实施例中,所述若选择不进行人脸信息判断,则对图片处理集内的所有图片进行分割处理时,分割方法包括灰度阈值分割法、边缘分割法、直方图法及基于图像分割模型的方法等,基于图片分割,能够突出图片中的主体,进而在对图片中的主体进行观察研究时,更加的方便且清晰。
在一个实施例中,所述灰度阈值分割法对图片处理集内的所有图片进行分割处理还包括以下步骤:
获取图片处理集内的所有图片的灰度值,将图片处理集内的所有图片分割为背景和主体;
分割为背景和主体时,将图片处理集内进行变换:
式中,g(i,j)为变换后图片元素,f(i,j)为变换前图片元素,i,j均为像素坐标点,T为二值化阈值,1代表主体,0代表背景。
在一个实施例中,所述二值化阈值T的取值时,对相应的图片进行直方图分析,当直方图呈现双峰时,选择两个峰值的中点作为二值化阈值T。
此外,通过求导数来检测图片中边缘处像素的灰度值不连续,且微分算子进行边缘检测。图片分割可以采用微分算子,例如Prewitt算子、Roberts算子和Sobel算法,二阶微分算子包括Kirsh算子和Laplace算子等。
S4、对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台。
在一个实施例中,所述对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台时,检查云服务平台内已有的图片数据,若检查出相同的图片数据,则将相同的图片数据的副本删除,同时标记已存在的图片数据。这样降低了云服务平台的容量压力,降低成本。
在一个实施例中,所述若检查出相同的图片数据,则将相同的图片数据的副本删除时,基于hash进行图片数据的副本删除;
其中,所述基于hash还包括以下步骤:
通过MD-5将云服务平台的已有图片数据进行流切分成块,并为每个块生成一个hash;
若新的图片数据块的hash和已有图片数据块的hash相同(或相似),则判断该新的图片数据已经存在副本,同时将副本删除,从而能够在云服务平台判断出已经存在原有图片数据。
同时,可基于内容进行图片数据的副本删除,在此过程中,通过获取图片数据的元数据,并与云服务平台的其它图片版本进行比较。
综上所述,借助于本发明的上述技术方案,本发明通过对图片进行分割处理,从而能够突出图片中的主体,进而在对图片中的主体进行观察研究时,更加的方便且清晰。本发明在对图片进行分割处理的情况下,首先可以进行图片人脸信息的处理,且在对图片中人脸信息进行处理的过程中,利用Hadoop架构,将图片处理集内的小图片文件进行组合成大图片文件,这样在进行人脸信息检测时能够更加高效,进而使得本发明的图片处理方法更加适用于大量小图片文件的处理。本发明在图片处理过程中,能够将图片中人脸进行矩形框的框选,对图片内矩形框中的人脸信息进行隐藏遮盖,当人们不想外漏人脸信息时,可以有效保护图片所有者的个人敏感信息,有利于提高相关人士的信息安全,即使在选择不考虑人脸信息时,也能够对图片中的法律风险进行评估,并自动对高风险区域进行马赛克处理,从而可以有效杜绝后期的法律风险。本发明通过将图片上传至云服务平台,使得图片可以多设备共同使用,且可以检测是否有相同图片重复上传,有效的控制数据存储量,降低了成本。
以上所述仅为本发明的较佳实施例而已,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 (9)
1.一种基于图片区域分割技术的图片处理方法,其特征在于,该图片处理方法包括以下步骤:
S1.获取一组图片,并询问是否对该组图片进行处理,若需要进行图片处理,则将该组图片加入图片处理集;
S2.询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理;其中,步骤S2包括如下步骤:所述询问是否对图片处理集内的图片进行人脸信息判断,若选择人脸信息判断,则对图片处理集内的所有图片进行隐私保护处理还包括以下步骤:
检测图片处理集内的所有图片的存储容量大小,若任一图片的存储容量大于等于预设阈值,则将该图片归类为第一检测图片集合;
若任一图片的存储容量小于预设阈值,则将该图片归类为第二检测图片集合;
利用Hadoop的图片文件的组合图片文件输入格式类,并在组合图片文件输入格式类中创建组合图片文件记录读取器,同时组合图片文件记录读取器为每一个第二检测图片均创建图片记录读取器;
设置每个输入图片文件不被分片,且图片记录读取器为每一个第二检测图片生成一对键值,其中,键为第二检测图片的文件路径,值为第二检测图片文件;
组合图片文件输入格式类将第二检测图片集合中的若干图片合并成一个容量大于等于预设阈值的图片,并形成第三检测图片集合;
对第三检测图片集合中的所有图片进行隐私保护处理;
对第一检测图片集合中的所有图片进行隐私保护处理;
其中,所述对第三检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
Hadoop中的Map函数通过从图片记录读取器处获得第三检测图片集合中的所有第二检测图片的图片路径及图片文件,并通过人脸检测算法对所有第三检测图片进行人脸信息检测,获得人脸信息的位置,同时每个人脸信息的位置对应于一个第二检测图片,即从第二检测图片集合筛选出一个具有人脸信息的图片集合;
MapReduce框架将具有人脸信息的图片集合中的图片键值传给reduce函数,reduce函数将具有人脸信息的图片集合中的图片保存至新的存放路径;
导入cv2库并读取具有人脸信息的图片集合中的图片;
创建人脸检测器并对具有人脸信息的图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的具有人脸信息的图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖;
S3.若选择不进行人脸信息判断,则通过预设的匹配模板数据库对图片处理集进行相似度匹配,从而对其中的图片的法律风险进行评估,若风险评估值较高,则并对图片处理集中相应的高风险图片中的风险较高区域进行识别标定,并对相应的风险较高区域进行马赛克处理,其余部分进行分割处理,图片处理集内的其余图片正常进行分割处理;若风险评估值较低,则对图片处理集内的所有图片进行分割处理;
S4.对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台。
2.根据权利要求1所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述预设阈值为64M。
3.根据权利要求1所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述对具有人脸信息的图片集合中的图片进行灰度处理还包括以下步骤:
读取具有人脸信息的图片集合中的图片中所有像素的红色、绿色及蓝色三个通道的值;
对所有像素的红色、绿色及蓝色三个通道的值进行转变:
式中,R、G、B分别为红色、绿色及蓝色通道值,Gray为灰度值转化后的值。
4.根据权利要求2-3所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述对第一检测图片集合中的所有图片进行隐私保护处理还包括以下步骤:
导入cv2库并读取第一检测图片集合中的图片;
创建人脸检测器并对第一检测图片集合中的图片进行灰度处理,同时通过人脸检测器进行人脸检测;
基于检测到的人脸数据,通过矩形框对人脸进行标注;
显示具有矩形框的第一检测图片集合;
对矩形框内的所有像素的红色、绿色及蓝色三个通道的值均设置为0,使矩形框内得图像变成黑色,对人脸信息进行覆盖。
5.根据权利要求1所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述若选择不进行人脸信息判断,则对图片处理集内的所有图片进行分割处理时,分割方法包括灰度阈值分割法、边缘分割法、直方图法及基于图像分割模型的方法。
6.根据权利要求5所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述灰度阈值分割法对图片处理集内的所有图片进行分割处理还包括以下步骤:
获取图片处理集内的所有图片的灰度值,将图片处理集内的所有图片分割为背景和主体;
分割为背景和主体时,将图片处理集内进行变换:
式中,g(i,j)为变换后图片元素,f(i,j)为变换前图片元素,i,j均为像素坐标点,T为二值化阈值,1代表主体,0代表背景。
7.根据权利要求6所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述二值化阈值T的取值时,对相应的图片进行直方图分析,当直方图呈现双峰时,选择两个峰值的中点作为二值化阈值T。
8.根据权利要求1所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述对经过隐私保护处理或分割处理后的图片进行保存,并询问是否将保存的图片上传至云服务平台,若选择上传,则将保存的图片上传至云服务平台时,检查云服务平台内已有的图片数据,若检查出相同的图片数据,则将相同的图片数据的副本删除,同时标记已存在的图片数据。
9.根据权利要求8所述的一种基于图片区域分割技术的图片处理方法,其特征在于,所述若检查出相同的图片数据,则将相同的图片数据的副本删除时,基于hash进行图片数据的副本删除;
其中,所述基于hash还包括以下步骤:
通过MD-5将云服务平台的已有图片数据进行流切分成块,并为每个块生成一个hash;
若新的图片数据块的hash和已有图片数据块的hash相同,则判断该新的图片数据已经存在副本,同时将副本删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623346.8A CN116453173B (zh) | 2022-12-16 | 2022-12-16 | 一种基于图片区域分割技术的图片处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623346.8A CN116453173B (zh) | 2022-12-16 | 2022-12-16 | 一种基于图片区域分割技术的图片处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453173A true CN116453173A (zh) | 2023-07-18 |
CN116453173B CN116453173B (zh) | 2023-09-08 |
Family
ID=87120839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623346.8A Active CN116453173B (zh) | 2022-12-16 | 2022-12-16 | 一种基于图片区域分割技术的图片处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453173B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070003138A1 (en) * | 2003-03-03 | 2007-01-04 | Hobson Paola M | Method for segmenting an image and an image transmission system and image transmission unit therefore |
CN102592141A (zh) * | 2012-01-04 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种对动态图像中人脸遮挡的方法 |
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
WO2017116881A2 (en) * | 2015-12-31 | 2017-07-06 | Microsoft Technology Licensing, Llc | Structure and training for image classification |
WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20190172037A1 (en) * | 2017-12-01 | 2019-06-06 | Qualcomm Incorporated | Privacy protection in financial transactions conducted on mobile platforms |
WO2020051816A1 (en) * | 2018-09-13 | 2020-03-19 | Intel Corporation | Condense-expansion-depth-wise convolutional neural network for face recognition |
WO2020147257A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别方法和装置 |
US10784696B1 (en) * | 2019-02-11 | 2020-09-22 | Alfi, Inc. | Methods and apparatus for a tablet computer system incorporating a battery charging station |
CN112070671A (zh) * | 2020-09-04 | 2020-12-11 | 平安科技(深圳)有限公司 | 一种基于频谱分析的马赛克去除方法、系统、终端及存储介质 |
WO2021146703A1 (en) * | 2020-01-17 | 2021-07-22 | Percipient.ai Inc. | Systems and methods for identifying an object of interest from a video sequence |
CN113434573A (zh) * | 2021-06-29 | 2021-09-24 | 中国科学院自动化研究所 | 多维度图像检索系统、方法及设备 |
US20220012471A1 (en) * | 2020-07-08 | 2022-01-13 | Ebay Inc. | Face detection to address privacy in publishing image datasets |
-
2022
- 2022-12-16 CN CN202211623346.8A patent/CN116453173B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070003138A1 (en) * | 2003-03-03 | 2007-01-04 | Hobson Paola M | Method for segmenting an image and an image transmission system and image transmission unit therefore |
CN102592141A (zh) * | 2012-01-04 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种对动态图像中人脸遮挡的方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
WO2017116881A2 (en) * | 2015-12-31 | 2017-07-06 | Microsoft Technology Licensing, Llc | Structure and training for image classification |
WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
US20190172037A1 (en) * | 2017-12-01 | 2019-06-06 | Qualcomm Incorporated | Privacy protection in financial transactions conducted on mobile platforms |
WO2020051816A1 (en) * | 2018-09-13 | 2020-03-19 | Intel Corporation | Condense-expansion-depth-wise convolutional neural network for face recognition |
WO2020147257A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别方法和装置 |
US10784696B1 (en) * | 2019-02-11 | 2020-09-22 | Alfi, Inc. | Methods and apparatus for a tablet computer system incorporating a battery charging station |
WO2021146703A1 (en) * | 2020-01-17 | 2021-07-22 | Percipient.ai Inc. | Systems and methods for identifying an object of interest from a video sequence |
US20220012471A1 (en) * | 2020-07-08 | 2022-01-13 | Ebay Inc. | Face detection to address privacy in publishing image datasets |
CN112070671A (zh) * | 2020-09-04 | 2020-12-11 | 平安科技(深圳)有限公司 | 一种基于频谱分析的马赛克去除方法、系统、终端及存储介质 |
CN113434573A (zh) * | 2021-06-29 | 2021-09-24 | 中国科学院自动化研究所 | 多维度图像检索系统、方法及设备 |
Non-Patent Citations (4)
Title |
---|
HAFSA HABIB: "Survey on Enhancement in Hybrid Edge Detection in MRimage", 《2020 INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND COMMUNICATION TECHNOLOGY (ICISCT)》 * |
盛仲飙;: "人脸检测技术研究", 计算机与数字工程, no. 12 * |
郭冰清: "基于图像低秩的图像插值方法及在Hadoop平台的实现", 《中国优秀硕士论文电子期刊网》 * |
黄剑波;沈疆海;: "一种提高模糊人脸图片识别率的方法", 计算机时代, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116453173B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Babu et al. | Efficient detection of copy-move forgery using polar complex exponential transform and gradient direction pattern | |
Ansari et al. | Pixel-based image forgery detection: A review | |
Sadeghi et al. | State of the art in passive digital image forgery detection: copy-move image forgery | |
Kwon et al. | Learning jpeg compression artifacts for image manipulation detection and localization | |
Piva | An overview on image forensics | |
JP6209962B2 (ja) | 情報処理装置及び情報処理プログラム | |
Manu et al. | Detection of copy-move forgery in images using segmentation and SURF | |
Chihaoui et al. | Copy-move image forgery detection based on SIFT descriptors and SVD-matching | |
KR101781358B1 (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
CA3018437C (en) | Optical character recognition utilizing hashed templates | |
Emam et al. | Two‐stage keypoint detection scheme for region duplication forgery detection in digital images | |
US9081801B2 (en) | Metadata supersets for matching images | |
Fayyaz et al. | An improved surveillance video forgery detection technique using sensor pattern noise and correlation of noise residues | |
JP7419080B2 (ja) | コンピュータシステムおよびプログラム | |
Abdulrahman et al. | Color images steganalysis using RGB channel geometric transformation measures | |
Jarusek et al. | Photomontage detection using steganography technique based on a neural network | |
Jaiswal et al. | Copy-move forgery detection using shift-invariant SWT and block division mean features | |
Jaiswal et al. | Forensic image analysis using inconsistent noise pattern | |
Jwaid et al. | Study and analysis of copy-move & splicing image forgery detection techniques | |
Hu et al. | Effective forgery detection using DCT+ SVD-based watermarking for region of interest in key frames of vision-based surveillance | |
Parveen et al. | Classification and evaluation of digital forensic tools | |
Mehta et al. | Near-duplicate detection for LCD screen acquired images using edge histogram descriptor | |
Kamenicky et al. | PIZZARO: Forensic analysis and restoration of image and video data | |
CN116453173B (zh) | 一种基于图片区域分割技术的图片处理方法 | |
Eswaraiah et al. | Curvelet transform based watermarking for telemedicine |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Image Processing Method Based on Image Region Segmentation Technology Effective date of registration: 20230926 Granted publication date: 20230908 Pledgee: Nanjing Branch of Jiangsu Bank Co.,Ltd. Pledgor: Nanjing aokan Information Technology Co.,Ltd. Registration number: Y2023980058578 |