CN116957524A - 一种技术转移过程中人才信息智能管理方法及系统 - Google Patents

一种技术转移过程中人才信息智能管理方法及系统 Download PDF

Info

Publication number
CN116957524A
CN116957524A CN202311218225.XA CN202311218225A CN116957524A CN 116957524 A CN116957524 A CN 116957524A CN 202311218225 A CN202311218225 A CN 202311218225A CN 116957524 A CN116957524 A CN 116957524A
Authority
CN
China
Prior art keywords
pixel point
pixel
region
difference
character
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
CN202311218225.XA
Other languages
English (en)
Other versions
CN116957524B (zh
Inventor
赵中元
段梦雅
刘晓辉
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.)
Qingdao Aston Engineering Technology Transfer Co ltd
Original Assignee
Qingdao Aston Engineering Technology Transfer 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 Qingdao Aston Engineering Technology Transfer Co ltd filed Critical Qingdao Aston Engineering Technology Transfer Co ltd
Priority to CN202311218225.XA priority Critical patent/CN116957524B/zh
Publication of CN116957524A publication Critical patent/CN116957524A/zh
Application granted granted Critical
Publication of CN116957524B publication Critical patent/CN116957524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/105Human resources
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30196Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域,提出了一种技术转移过程中人才信息智能管理方法及系统,包括:采集若干证件照图像及其灰度图像;获取人物区域与背景区域,根据人物区域中像素点的灰度值分布,获取人物区域中每个像素点的差异度及初始方向,以及边缘像素点;获取每个像素点的校正方向,根据校正方向及边缘像素点,得到若干编码区域及预测方向;对每个编码区域根据预测方向进行预测编码,对背景区域进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。本发明旨在解决通过预测编码对人才信息的证件照进行压缩时忽略了图像中二维的信息分布而影响压缩效果的问题。

Description

一种技术转移过程中人才信息智能管理方法及系统
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种技术转移过程中人才信息智能管理方法及系统。
背景技术
人才信息管理可以跟踪和记录员工的培训、技能发展和绩效评估等信息,这有助于评估和提升员工的职业发展,并为他们提供所需的培训和发展机会;通过对人才信息的分析和管理,组织可以了解人员的技能分布和特长,从而优化组织结构,合理分配人员,提高工作效率;而在技术转移过程中,需要将人才信息进行存储,其中人才信息中的证件照存储在计算机中会占用大量空间,因此在存储证件照时需要将照片信息进行压缩,从而减少所占空间。
证件照作为图像数据,现有方法中采用预测编码对证件照进行压缩,而传统的预测编码仅仅参考证件照中像素信息的一维分布特征来进行编码,忽略了图像中像素点之间信息的二维分布,从而导致预测编码的压缩效果较差,进而使得压缩后的证件照仍占用较多存储空间,无法高效实现技术转移过程中人才信息的高效智能管理。
发明内容
本发明提供一种技术转移过程中人才信息智能管理方法及系统,以解决现有的通过预测编码对人才信息的证件照进行压缩时忽略了图像中二维的信息分布而影响压缩效果的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种技术转移过程中人才信息智能管理方法,该方法包括以下步骤:
采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像;
对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点;
根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向;
对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
进一步的,所述对灰度图像通过分割获取人物区域与背景区域,包括的具体方法为:
以采集到的所有证件照图像的灰度图像作为训练数据集,构建一个语义分割网络用于分割人物区域与背景区域,网络采用DNN网络,损失函数采用交叉熵损失函数,对训练数据集中每张图像通过人工标注的形式,标注背景区域为0,人物区域为1;通过使损失函数收敛,得到训练完成的语义分割网络;
将证件照图像的灰度图像输入到训练完成的语义分割网络中,输出得到灰度图像中的人物区域及背景区域。
进一步的,所述获取人物区域中每个像素点的初始方向及若干边缘像素点,包括的具体方法为:
根据人物区域中像素点的灰度值分布,获取人物区域中每个像素点的差异度;
将判断比例与人物区域中所有像素点的差异度的均值的乘积,作为差异度阈值,将差异度大于差异度阈值的像素点记为边缘像素点;
对于人物区域中任意一个像素点,获取该像素点的差异度与八邻域中每个属于人物区域的邻域像素点的差异度的差值绝对值,将差值绝对值最小的邻域像素点记为该像素点的参考像素点,将该像素点指向参考像素点的方向,记为该像素点的初始方向;获取人物区域中每个像素点的初始方向。
进一步的,所述人物区域中每个像素点的差异度,具体的获取方法为:
对于人物区域中任意一个像素点,获取该像素点的灰度值分别减去八邻域中每个像素点的灰度值得到的差值,记为该像素点与对应邻域像素点的灰度差值;获取人物区域中每个像素点与每个邻域像素点的灰度差值;
人物区域中第个像素点的差异度/>的计算方法为:
其中,表示人物区域中第/>个像素点的八邻域中属于人物区域的像素点数量,表示人物区域中第/>个像素点与第/>个属于人物区域的邻域像素点的灰度差值,/>表示求绝对值;
获取人物区域中每个像素点的差异度。
进一步的,所述得到人物区域中除边缘像素点之外每个像素点的校正方向,包括的具体方法为:
对于人物区域中除边缘像素点之外的任意一个像素点,获取该像素点沿初始方向上的若干像素点,作为该像素点的近邻像素点;获取人物区域中除边缘像素点之外每个像素点的若干近邻像素点;
根据像素点及近邻像素点的初始方向,获取人物区域中除边缘像素点之外每个像素点的初始校正方向;获取指向八邻域像素点对应的八个方向,对于人物区域中除边缘像素点之外的任意一个像素点,将八个方向中与该像素点的初始校正方向的差值绝对值最小的方向,作为该像素点的修正方向;
若修正方向大于等于180°,将修正方向减去180°得到的差值作为校正方向;若修正方向小于180°,将修正方向作为校正方向;获取人物区域中除边缘像素点之外每个像素点的校正方向。
进一步的,所述人物区域中除边缘像素点之外每个像素点的初始校正方向,具体的获取方法为:
其中,表示人物区域中除边缘像素点之外第/>个像素点的初始校正方向,/>表示第/>个像素点的初始方向,/>表示第/>个像素点的近邻像素点的数量,/>表示第/>个像素点的第/>个近邻像素点的初始方向,/>表示第/>个像素点与第/>个近邻像素点的差异度的差值绝对值,/>表示求绝对值,/>表示以自然常数为底的指数函数;
获取人物区域中除边缘像素点之外每个像素点的初始校正方向。
进一步的,所述获取人物区域中的若干编码区域及预测方向,包括的具体方法为:
将人物区域中除边缘像素点之外的像素点记为非边缘像素点,对相同校正方向的若干非边缘像素点获取中心点,获取每种校正方向的中心点;以若干中心点为种子点,区域生长准则为八邻域内相同校正方向的像素点进行生长,若邻域存在边缘像素点,则停止向该边缘像素点方向进行生长,对人物区域通过区域生长得到若干区域;
对人物区域中不属于任何一个区域的若干非边缘像素点,将属于同种校正方向的归为一类,每个类别对应若干非边缘像素点组成的区域;将所有非边缘像素点划分为若干区域,记为编码区域,将编码区域内的校正方向作为编码区域的预测方向;
对边缘像素点根据初始方向及编码区域进行区域归入。
进一步的,所述对边缘像素点根据初始方向及编码区域进行区域归入,包括的具体方法为:
对于任意一个边缘像素点,若该边缘像素点的初始方向小于180°,不需要调整,若大于180°,将初始方向减去180°得到的差值作为新的初始方向;获取该边缘像素点的初始方向与每个相邻的编码区域的校正方向的差值绝对值,将该边缘像素点归入差值绝对值最小的编码区域;将每个边缘像素点归入对应的编码区域。
进一步的,所述对背景区域的像素值进行调整并进行预测编码,包括的具体方法为:
对于证件照图像的灰度图像中的背景区域,获取背景区域在证件照图像中的背景区域,对证件照图像中的背景区域中所有像素点分别在每个色彩通道的像素值计算均值,将每个像素点在每个色彩通道的像素值调整为对应色彩通道的均值;对调整后的像素值,以水平方向为编码方向,对证件照图像中背景区域的每个色彩通道进行预测编码。
第二方面,本发明另一个实施例提供了一种技术转移过程中人才信息智能管理系统,该系统包括:
证件照图像采集模块,采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像;
图像分析处理模块:对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点;
根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向;
数据压缩管理模块,对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
本发明的有益效果是:预测编码需要找到一个预测方向,不同的预测方向会产生不同的结果,并且预测编码只适合用于变化平缓的数据,对于发生剧烈变化的数据编码效果并不理想。因此本发明通过对证件照中人物区域的像素点灰度值的变化情况,来找出具有相同校正方向的像素点区域,然后按照变化方向来对图像进行编码,使得编码效果更好;并且通过将不同灰度值的区域进行分开计算,可以避免出现灰度值变化剧烈的情况发生,从而避免预测编码出现错误;通过提高预测编码的压缩效果,进而提高人才信息的管理效率,实现技术转移过程中人才信息的智能管理。
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,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种技术转移过程中人才信息智能管理方法流程示意图;
图2为本发明另一个实施例所提供的一种技术转移过程中人才信息智能管理系统结构框图。
具体实施方式
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做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。
请参阅图1,其示出了本发明一个实施例所提供的一种技术转移过程中人才信息智能管理方法流程图,该方法包括以下步骤:
步骤S001、采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像。
本实施例的目的是对技术转移过程中的人才信息实现智能管理,而人才信息中证件照的存储会占用大量的存储空间,因此需要对证件照进行压缩;在技术转移过程中需要对人才信息管理,则从若干人才信息中获取若干证件照,记为证件照图像,证件照的采集数量本实施例不进行限定,根据人才信息管理的实际需求进行设定;对每个证件照图像进行灰度化处理,得到每个证件照图像的灰度图像;本实施例后续均以任意一张证件照图像及其灰度图像为例进行叙述。
至此,获取到了若干证件照图像及每个证件照图像的灰度图像。
步骤S002、对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点。
需要说明的是,证件照的构造相对单一,背景区域与人物区域差异明显,同时背景区域的灰度值整体趋于一致,信息量极少,因此主要针对人物区域进行分析处理,则首先需要对背景区域与人物区域进行分割,分割后对两个区域分别进行压缩;对于人物区域,其中灰度值集中分布,即局部区域内像素点的灰度值差异较小,且具有一定方向性,而表现在证件照图像中,局部区域内像素点的各个颜色通道的像素值同样差异较小,因此通过方向性分析得到预测方向再进行预测编码压缩;从而保证图像质量的情况下实现高效的压缩。
具体的,以采集到的所有证件照图像的灰度图像作为训练数据集,构建一个语义分割网络用于分割人物区域与背景区域,网络采用DNN网络,损失函数采用交叉熵损失函数,对训练数据集中每张图像通过人工标注的形式,标注背景区域为0,人物区域为1;通过使损失函数收敛,得到训练完成的语义分割网络;将证件照图像的灰度图像输入到训练完成的语义分割网络中,输出得到灰度图像中的人物区域及背景区域。
进一步的,对于人物区域中任意一个像素点,获取该像素点的灰度值分别减去八邻域中每个像素点的灰度值得到的差值,记为该像素点与对应邻域像素点的灰度差值;按照上述方法获取人物区域中每个像素点与每个邻域像素点的灰度差值,需要说明的是,灰度差值计算仅考虑邻域中属于人物区域的像素点,邻域中属于背景区域的像素点不参与计算。
进一步的,以人物区域中第个像素点为例,该像素点的差异度/>的计算方法为:
其中,表示人物区域中第/>个像素点的八邻域中属于人物区域的像素点数量,表示人物区域中第/>个像素点与第/>个属于人物区域的邻域像素点的灰度差值,/>为避免真数值为0的超参数,本实施例采用/>进行叙述,/>表示求绝对值;通过对邻域范围内的灰度差值类似于熵值计算的方式得到差异度,差异度越大,表明像素点与邻域像素点的灰度分布差异越大,难以通过邻域像素点进行灰度值预测;按照上述方法获取人物区域中每个像素点的差异度,预设一个判断比例,本实施例判断比例采用1.5进行叙述,将判断比例与人物区域中所有像素点的差异度的均值的乘积,作为差异度阈值,将差异度大于差异度阈值的像素点记为边缘像素点,边缘像素点表示难以通过邻域像素点的灰度值进行预测的像素点。
进一步的,对于人物区域中任意一个像素点,获取该像素点的差异度与八邻域中每个属于人物区域的邻域像素点的差异度的差值绝对值,将差值绝对值最小的邻域像素点记为该像素点的参考像素点,将该像素点指向参考像素点的方向,记为该像素点的初始方向;按照上述方法获取人物区域中每个像素点的初始方向;差异度的差值绝对值越小,邻域像素点的灰度分布越相近,则可以较为容易地进行预测,因此得到初始方向;需要说明的是,本实施例以水平右向为0度,度数随顺时针旋转增加。
至此,获取到了人物区域中每个像素点的初始方向,以及边缘像素点。
步骤S003、根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向。
需要说明的是,获取到初始方向后,相邻两个像素点的初始方向可能出现左侧为0度,右侧为180度的情况,此时两个像素点可以互相预测,但是初始方向存在差异,因此需要进行一定程度地校正;同时预测编码过程中需要获取连续的相同的方向进行预测,则需要保证连续的方向一致,而消除某些像素点的特殊性;则根据初始方向上若干像素点的初始方向以及差异度之间的差异,来进行校正方向的获取;获取到校正方向后,则根据校正方向及边缘像素点进行区域生长,从而得到校正方向相同的若干区域,进而得到编码区域及其预测方向。
具体的,由于边缘像素点难以预测,因此边缘像素点的初始方向不需要进行校正,则以人物区域中除边缘像素点之外第个像素点为例,获取该像素点沿初始方向上的若干像素点,本实施例共采集沿初始方向延伸的下4个像素点作为该像素点的近邻像素点,特别说明的是,若获取近邻像素点过程中存在边缘像素点,则停止获取,将沿初始方向上获取到边缘像素点之前得到的像素点,作为该像素点的近邻像素点;则人物区域中除边缘像素点之外第/>个像素点的校正方向的计算方法为:
其中,表示人物区域中除边缘像素点之外第/>个像素点的初始校正方向,/>表示第/>个像素点的初始方向,/>表示第/>个像素点的近邻像素点的数量,/>表示第/>个像素点的第/>个近邻像素点的初始方向,/>表示第/>个像素点与第/>个近邻像素点的差异度的差值绝对值,/>表示求绝对值,/>表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>表示模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;获取到初始校正方向后,由于校正方向即为后续的预测方向,而预测方向针对的是对哪个方向的像素点进行预测编码,则预测方向只有0°,45°,90°,135°,180°,225°,270°及315°这八个方向,因此将八个方向中与初始校正方向的差值绝对值最小的方向,作为该像素点的修正方向;同时预测方向中差值绝对值为180°的两个方向实际上为相对的方向,预测编码过程中可以视为一个方向进行编码,因此若修正方向大于等于180°,则将修正方向减去180°得到的差值作为校正方向;若修正方向小于180°,则将修正方向作为校正方向。
此时,首先对于近邻像素点,其与该像素点的初始方向的差异越小,相应的参考性就会越大,因此赋予较大的参考性来对两个初始方向的角度差值进行加权;同时近邻像素点与该像素点的差异度的差异越小,同样赋予较大的参考性,保证差异度相差较大的近邻像素点不会为校正方向提供较多的参考。
进一步的,按照上述方法获取人物区域中除边缘像素点之外每个像素点的校正方向,则边缘像素点具有初始方向,除边缘像素点之外的像素点具有校正方向,将除边缘像素点之外的像素点记为非边缘像素点;对于任意一个相同校正方向的若干非边缘像素点,获取这些非边缘像素点的中心点,中心点获取为公知技术,本实施例不再赘述;获取每种校正方向的中心点,以若干中心点为种子点,区域生长准则为八邻域内相同校正方向的像素点进行生长,同时若邻域存在边缘像素点,则停止向该边缘像素点方向进行生长,则可以对人物区域通过区域生长得到若干区域;区域生长完成后,存在若干非边缘像素点不属于任何一个区域,即区域生长过程没有接触到这些非边缘像素点,对这些非边缘像素点中属于同种校正方向的归为一类,进而对这些非边缘像素点得到若干相同校正方向的类别,而每个类别又对应若干区域,则将所有非边缘像素点划分为若干区域,记为编码区域,同时每个编码区域内的校正方向一致,将编码区域内的校正方向作为编码区域的预测方向。
进一步的,对于边缘像素点,每个边缘像素点都与若干编码区域相邻,对于任意一个边缘像素点,若该边缘像素点的初始方向小于180°,则不需要调整,若大于180°,则将初始方向减去180°得到的差值作为新的初始方向;获取该边缘像素点的初始方向与每个相邻的编码区域的校正方向的差值绝对值,将该边缘像素点归入差值绝对值最小的编码区域;按照上述方法将每个边缘像素点归入对应的编码区域,需要说明的是,若存在多个差值绝对值最小的编码区域,将边缘像素点归入水平右向顺时针开始旋转的第一个差值绝对值最小的编码区域中。
至此,获取到了人物区域中若干编码区域以及每个编码区域的预测方向。
步骤S004、对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
获取到对于证件照图像的灰度图像的若干编码区域及其预测方向后,获取每个编码区域在证件照图像中的对应区域;以任意一个证件照图像中的编码区域为例,对于该编码区域中任意一个色彩通道,该编码区域中像素点被预测方向划分为若干条直线,每条直线为沿预测方向的若干该编码区域的像素点,对于任意一条直线,获取该条直线的起始编码点(水平方向的预测方向则为直线最左侧点,竖直方向为直线最上方点,45度方向为直线左上方点,135度方向为直线右上方点),根据预测方向及起始编码点,对该条直线每个像素点的该色彩通道的像素值进行预测编码,其中预测编码为公知技术,本实施例不再赘述,本实施例中预测编码根据已经编码的像素点的像素值进行计算,为预测编码中公知技术,本实施例不再赘述;对该编码区域的每条直线在每个色彩通道都进行预测编码;按照上述方法对证件照图像中每个编码区域进行预测编码。
进一步的,对于证件照图像的灰度图像中的背景区域,获取背景区域在证件照图像中的背景区域,由于背景区域中整体灰度值表现一致,因此对证件照图像中的背景区域中所有像素点分别在每个色彩通道的像素值计算均值,并将每个像素点在每个色彩通道的像素值调整为对应色彩通道的均值;对调整后的像素值,以水平方向为编码方向,对证件照图像中背景区域的每个色彩通道进行预测编码。
进一步的,按照上述方法对证件照图像完成了预测编码,预测编码后可以通过游程编码继续进行编码压缩,游程编码为公知技术,本实施例不再赘述;按照上述方法对人才信息管理中的每个证件照图像进行编码压缩,通过对证件照进行压缩,提高人才信息管理的工作效率,进而实现技术转移过程中人才信息的智能管理。
至此,完成了技术转移过程中人才信息的智能管理。
请参阅图2,其示出了本发明另一个实施例所提供的一种技术转移过程中人才信息智能管理系统结构框图,该系统包括:
证件照图像采集模块101,采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像。
图像分析处理模块102:
(1)对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点;
(2)根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向。
数据压缩管理模块103,对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
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 (10)

1.一种技术转移过程中人才信息智能管理方法,其特征在于,该方法包括以下步骤:
采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像;
对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点;
根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向;
对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
2.根据权利要求1所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述对灰度图像通过分割获取人物区域与背景区域,包括的具体方法为:
以采集到的所有证件照图像的灰度图像作为训练数据集,构建一个语义分割网络用于分割人物区域与背景区域,网络采用DNN网络,损失函数采用交叉熵损失函数,对训练数据集中每张图像通过人工标注的形式,标注背景区域为0,人物区域为1;通过使损失函数收敛,得到训练完成的语义分割网络;
将证件照图像的灰度图像输入到训练完成的语义分割网络中,输出得到灰度图像中的人物区域及背景区域。
3.根据权利要求1所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述获取人物区域中每个像素点的初始方向及若干边缘像素点,包括的具体方法为:
根据人物区域中像素点的灰度值分布,获取人物区域中每个像素点的差异度;
将判断比例与人物区域中所有像素点的差异度的均值的乘积,作为差异度阈值,将差异度大于差异度阈值的像素点记为边缘像素点;
对于人物区域中任意一个像素点,获取该像素点的差异度与八邻域中每个属于人物区域的邻域像素点的差异度的差值绝对值,将差值绝对值最小的邻域像素点记为该像素点的参考像素点,将该像素点指向参考像素点的方向,记为该像素点的初始方向;获取人物区域中每个像素点的初始方向。
4.根据权利要求3所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述人物区域中每个像素点的差异度,具体的获取方法为:
对于人物区域中任意一个像素点,获取该像素点的灰度值分别减去八邻域中每个像素点的灰度值得到的差值,记为该像素点与对应邻域像素点的灰度差值;获取人物区域中每个像素点与每个邻域像素点的灰度差值;
人物区域中第个像素点的差异度/>的计算方法为:
其中,表示人物区域中第/>个像素点的八邻域中属于人物区域的像素点数量,/>表示人物区域中第/>个像素点与第/>个属于人物区域的邻域像素点的灰度差值,/>为避免真数值为0的超参数,/>表示求绝对值;
获取人物区域中每个像素点的差异度。
5.根据权利要求1所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述得到人物区域中除边缘像素点之外每个像素点的校正方向,包括的具体方法为:
对于人物区域中除边缘像素点之外的任意一个像素点,获取该像素点沿初始方向上的若干像素点,作为该像素点的近邻像素点;获取人物区域中除边缘像素点之外每个像素点的若干近邻像素点;
根据像素点及近邻像素点的初始方向,获取人物区域中除边缘像素点之外每个像素点的初始校正方向;获取指向八邻域像素点对应的八个方向,对于人物区域中除边缘像素点之外的任意一个像素点,将八个方向中与该像素点的初始校正方向的差值绝对值最小的方向,作为该像素点的修正方向;
若修正方向大于等于180°,将修正方向减去180°得到的差值作为校正方向;若修正方向小于180°,将修正方向作为校正方向;获取人物区域中除边缘像素点之外每个像素点的校正方向。
6.根据权利要求5所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述人物区域中除边缘像素点之外每个像素点的初始校正方向,具体的获取方法为:
其中,表示人物区域中除边缘像素点之外第/>个像素点的初始校正方向,/>表示第/>个像素点的初始方向,/>表示第/>个像素点的近邻像素点的数量,/>表示第/>个像素点的第/>个近邻像素点的初始方向,/>表示第/>个像素点与第/>个近邻像素点的差异度的差值绝对值,/>表示求绝对值,/>表示以自然常数为底的指数函数;
获取人物区域中除边缘像素点之外每个像素点的初始校正方向。
7.根据权利要求1所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述获取人物区域中的若干编码区域及预测方向,包括的具体方法为:
将人物区域中除边缘像素点之外的像素点记为非边缘像素点,对相同校正方向的若干非边缘像素点获取中心点,获取每种校正方向的中心点;以若干中心点为种子点,区域生长准则为八邻域内相同校正方向的像素点进行生长,若邻域存在边缘像素点,则停止向该边缘像素点方向进行生长,对人物区域通过区域生长得到若干区域;
对人物区域中不属于任何一个区域的若干非边缘像素点,将属于同种校正方向的归为一类,每个类别对应若干非边缘像素点组成的区域;将所有非边缘像素点划分为若干区域,记为编码区域,将编码区域内的校正方向作为编码区域的预测方向;
对边缘像素点根据初始方向及编码区域进行区域归入。
8.根据权利要求7所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述对边缘像素点根据初始方向及编码区域进行区域归入,包括的具体方法为:
对于任意一个边缘像素点,若该边缘像素点的初始方向小于180°,不需要调整,若大于180°,将初始方向减去180°得到的差值作为新的初始方向;获取该边缘像素点的初始方向与每个相邻的编码区域的校正方向的差值绝对值,将该边缘像素点归入差值绝对值最小的编码区域;将每个边缘像素点归入对应的编码区域。
9.根据权利要求1所述的一种技术转移过程中人才信息智能管理方法,其特征在于,所述对背景区域的像素值进行调整并进行预测编码,包括的具体方法为:
对于证件照图像的灰度图像中的背景区域,获取背景区域在证件照图像中的背景区域,对证件照图像中的背景区域中所有像素点分别在每个色彩通道的像素值计算均值,将每个像素点在每个色彩通道的像素值调整为对应色彩通道的均值;对调整后的像素值,以水平方向为编码方向,对证件照图像中背景区域的每个色彩通道进行预测编码。
10.一种技术转移过程中人才信息智能管理系统,其特征在于,该系统包括:
证件照图像采集模块,采集人才信息管理中的若干证件照图像,获取每个证件照图像的灰度图像;
图像分析处理模块:对灰度图像通过分割获取人物区域与背景区域;根据人物区域中像素点的差异度,获取人物区域中每个像素点的初始方向及若干边缘像素点;
根据人物区域中每个像素点的初始方向上的若干像素点,得到人物区域中除边缘像素点之外每个像素点的校正方向;根据校正方向及边缘像素点,获取人物区域中的若干编码区域及预测方向;
数据压缩管理模块,对每个编码区域根据预测方向进行预测编码,对背景区域的像素值进行调整并进行预测编码,完成对证件照图像的压缩,实现技术转移过程中人才信息的智能管理。
CN202311218225.XA 2023-09-21 2023-09-21 一种技术转移过程中人才信息智能管理方法及系统 Active CN116957524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311218225.XA CN116957524B (zh) 2023-09-21 2023-09-21 一种技术转移过程中人才信息智能管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311218225.XA CN116957524B (zh) 2023-09-21 2023-09-21 一种技术转移过程中人才信息智能管理方法及系统

Publications (2)

Publication Number Publication Date
CN116957524A true CN116957524A (zh) 2023-10-27
CN116957524B CN116957524B (zh) 2024-01-05

Family

ID=88458750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311218225.XA Active CN116957524B (zh) 2023-09-21 2023-09-21 一种技术转移过程中人才信息智能管理方法及系统

Country Status (1)

Country Link
CN (1) CN116957524B (zh)

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060170769A1 (en) * 2005-01-31 2006-08-03 Jianpeng Zhou Human and object recognition in digital video
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法
CN101852675A (zh) * 2010-05-12 2010-10-06 浙江大学 一种测试数码相机各个成像区域分辨率的方法
CN101902549A (zh) * 2009-05-27 2010-12-01 夏普株式会社 图像处理装置及图像处理方法
JP2011023926A (ja) * 2009-07-15 2011-02-03 Nikon Corp 画像圧縮装置、撮像装置、プログラムおよび画像伸張装置
CN102497489A (zh) * 2011-12-05 2012-06-13 优视科技有限公司 图像压缩方法、图像压缩装置和移动终端
CN103986930A (zh) * 2014-06-03 2014-08-13 华中科技大学 一种适用于小容量信息载体的登记照图像压缩方法
WO2015040657A1 (ja) * 2013-09-20 2015-03-26 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
CN104915951A (zh) * 2015-05-08 2015-09-16 天津大学 一种点刻式dpm二维码区域定位方法
WO2015149534A1 (zh) * 2014-03-31 2015-10-08 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
CN105069808A (zh) * 2015-08-31 2015-11-18 四川虹微技术有限公司 基于图像分割的视频图像深度估计方法
JP2017005456A (ja) * 2015-06-09 2017-01-05 株式会社ビスマ 画像圧縮方法、画像圧縮装置及び撮像装置
CN106530337A (zh) * 2016-10-31 2017-03-22 武汉市工程科学技术研究院 基于图像灰度引导的非局部立体像对密集匹配方法
CN106599854A (zh) * 2016-12-19 2017-04-26 河北工业大学 基于多特征融合的人脸表情自动识别方法
CN106612431A (zh) * 2016-01-29 2017-05-03 四川用联信息技术有限公司 一种基于hevc平台对深度图像和彩色图像的编码压缩方法
CN111429409A (zh) * 2020-03-13 2020-07-17 深圳市雄帝科技股份有限公司 对图像中人物佩戴眼镜的识别方法、系统及其存储介质
CN112784922A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 智能云端医疗影像的提取和分类方法
CN113706424A (zh) * 2021-10-28 2021-11-26 江苏英斯泊物联网科技有限公司 一种基于人工智能的果冻效应图像校正方法及系统
CN114079792A (zh) * 2021-07-22 2022-02-22 珠海市杰理科技股份有限公司 视频编码参考块的压缩方法、编码方法和装置
WO2022156167A1 (zh) * 2021-01-22 2022-07-28 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备、计算机可读存储介质、计算机程序及程序产品
CN115022635A (zh) * 2022-05-31 2022-09-06 吉林大学 基于目标检测的星图压缩方法
CN115314714A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种用于焊缝图像存储的数据压缩方法
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司(Cn) 基于图像分析的金手指电路板检测方法
CN115914649A (zh) * 2023-03-01 2023-04-04 广州高通影像技术有限公司 一种用于医疗视频的数据传输方法及系统
CN116109714A (zh) * 2023-03-06 2023-05-12 威海海洋职业学院 基于神经网络的数据编码存储方法及系统
CN116309624A (zh) * 2021-12-21 2023-06-23 北京三快在线科技有限公司 一种解码方法、飞行器及存储介质
CN116779114A (zh) * 2023-08-24 2023-09-19 邹城市人民医院 一种抗肿瘤医疗mri图像信息智能管理系统

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060170769A1 (en) * 2005-01-31 2006-08-03 Jianpeng Zhou Human and object recognition in digital video
CN101902549A (zh) * 2009-05-27 2010-12-01 夏普株式会社 图像处理装置及图像处理方法
JP2011023926A (ja) * 2009-07-15 2011-02-03 Nikon Corp 画像圧縮装置、撮像装置、プログラムおよび画像伸張装置
CN101770581A (zh) * 2010-01-08 2010-07-07 西安电子科技大学 高分辨率城区遥感图像中道路中心线的半自动检测方法
CN101852675A (zh) * 2010-05-12 2010-10-06 浙江大学 一种测试数码相机各个成像区域分辨率的方法
CN102497489A (zh) * 2011-12-05 2012-06-13 优视科技有限公司 图像压缩方法、图像压缩装置和移动终端
WO2015040657A1 (ja) * 2013-09-20 2015-03-26 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
WO2015149534A1 (zh) * 2014-03-31 2015-10-08 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
CN103986930A (zh) * 2014-06-03 2014-08-13 华中科技大学 一种适用于小容量信息载体的登记照图像压缩方法
CN104915951A (zh) * 2015-05-08 2015-09-16 天津大学 一种点刻式dpm二维码区域定位方法
JP2017005456A (ja) * 2015-06-09 2017-01-05 株式会社ビスマ 画像圧縮方法、画像圧縮装置及び撮像装置
CN105069808A (zh) * 2015-08-31 2015-11-18 四川虹微技术有限公司 基于图像分割的视频图像深度估计方法
CN106612431A (zh) * 2016-01-29 2017-05-03 四川用联信息技术有限公司 一种基于hevc平台对深度图像和彩色图像的编码压缩方法
CN106530337A (zh) * 2016-10-31 2017-03-22 武汉市工程科学技术研究院 基于图像灰度引导的非局部立体像对密集匹配方法
CN106599854A (zh) * 2016-12-19 2017-04-26 河北工业大学 基于多特征融合的人脸表情自动识别方法
CN111429409A (zh) * 2020-03-13 2020-07-17 深圳市雄帝科技股份有限公司 对图像中人物佩戴眼镜的识别方法、系统及其存储介质
WO2022156167A1 (zh) * 2021-01-22 2022-07-28 深圳市慧鲤科技有限公司 图像处理方法及装置、电子设备、计算机可读存储介质、计算机程序及程序产品
CN112784922A (zh) * 2021-02-07 2021-05-11 重庆渝抗医药科技有限公司 智能云端医疗影像的提取和分类方法
CN114079792A (zh) * 2021-07-22 2022-02-22 珠海市杰理科技股份有限公司 视频编码参考块的压缩方法、编码方法和装置
WO2023000695A1 (zh) * 2021-07-22 2023-01-26 珠海市杰理科技股份有限公司 视频编码参考块的压缩方法、编码方法和装置
CN113706424A (zh) * 2021-10-28 2021-11-26 江苏英斯泊物联网科技有限公司 一种基于人工智能的果冻效应图像校正方法及系统
CN116309624A (zh) * 2021-12-21 2023-06-23 北京三快在线科技有限公司 一种解码方法、飞行器及存储介质
CN115022635A (zh) * 2022-05-31 2022-09-06 吉林大学 基于目标检测的星图压缩方法
CN115314714A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种用于焊缝图像存储的数据压缩方法
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司(Cn) 基于图像分析的金手指电路板检测方法
CN115914649A (zh) * 2023-03-01 2023-04-04 广州高通影像技术有限公司 一种用于医疗视频的数据传输方法及系统
CN116109714A (zh) * 2023-03-06 2023-05-12 威海海洋职业学院 基于神经网络的数据编码存储方法及系统
CN116779114A (zh) * 2023-08-24 2023-09-19 邹城市人民医院 一种抗肿瘤医疗mri图像信息智能管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李勤垂;陈若玲;王明楸;李佐勇;: "融合边缘与过渡区域提取的人物证件照分割", 福建电脑, no. 05 *
陈强云;郭铭铭;窦建华;: "基于增强邻域结构方向信息的图像去噪算法", 合肥工业大学学报(自然科学版), no. 10 *

Also Published As

Publication number Publication date
CN116957524B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN115914649B (zh) 一种用于医疗视频的数据传输方法及系统
WO2023134791A2 (zh) 一种环境安防工程监测数据管理方法及系统
CN108229576B (zh) 一种跨倍率病理图像特征学习方法
CN111462261A (zh) 针对h.266/vvc的快速cu分区和帧内决策方法
CN102332162A (zh) 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法
CN112291562B (zh) 针对h.266/vvc的快速cu分区和帧内模式决策方法
CN116228804B (zh) 一种基于图像分割的矿产资源识别方法
CN111080591A (zh) 基于编码解码结构结合残差模块的医学图像分割方法
CN106339994A (zh) 一种图像增强方法
CN112529870A (zh) 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法
CN115622570A (zh) 一种数据高效存储方法
CN107454413A (zh) 一种保留特征的视频编码方法
CN116156196A (zh) 一种用于视频数据的高效传输方法
Ma et al. CVEGAN: a perceptually-inspired gan for compressed video enhancement
CN117274820B (zh) 一种测绘地理信息地图数据采集方法及系统
CN113221674B (zh) 基于粗糙集约简和sift的视频流关键帧提取系统及方法
CN116580220B (zh) 一种数字政府平台数据优化传输方法及系统
CN116957524B (zh) 一种技术转移过程中人才信息智能管理方法及系统
CN117640932A (zh) 用于远程医疗的神经内科图像压缩传输方法
CN113487587A (zh) CT图像分割与骨密度t值预测方法、系统、计算机设备
CN109447952B (zh) 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法
CN116433679A (zh) 一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法
CN114240958A (zh) 一种应用于病理学组织分割的对比学习方法
CN112967222A (zh) 一种基于区域显著性池化的图像质量评估方法
CN109618155B (zh) 压缩编码方法

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