TW202228070A - 影像處理方法、電腦裝置 - Google Patents

影像處理方法、電腦裝置 Download PDF

Info

Publication number
TW202228070A
TW202228070A TW110100274A TW110100274A TW202228070A TW 202228070 A TW202228070 A TW 202228070A TW 110100274 A TW110100274 A TW 110100274A TW 110100274 A TW110100274 A TW 110100274A TW 202228070 A TW202228070 A TW 202228070A
Authority
TW
Taiwan
Prior art keywords
image
primitive
segmented
primitive point
label
Prior art date
Application number
TW110100274A
Other languages
English (en)
Other versions
TWI755240B (zh
Inventor
張粵
郭錦斌
孫國欽
Original Assignee
鴻海精密工業股份有限公司
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 鴻海精密工業股份有限公司 filed Critical 鴻海精密工業股份有限公司
Priority to TW110100274A priority Critical patent/TWI755240B/zh
Application granted granted Critical
Publication of TWI755240B publication Critical patent/TWI755240B/zh
Publication of TW202228070A publication Critical patent/TW202228070A/zh

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本發明提供一種影像處理方法,包括獲取檢測圖像以及該檢測圖像對應的標籤圖像;利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像;基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。本發明還提供實現所述影像處理方法的電腦裝置。本發明可提升圖像分割的準確率。

Description

影像處理方法、電腦裝置
本發明涉及影像處理技術領域,具體涉及一種影像處理方法、電腦裝置。
目前用於人行環境中的物件識別模型,在街景辨識時有可能會遇到誤判情況。一旦發生誤判情況,則極有可能讓大眾對於運用該物件識別模型的設施如無人駕駛汽車喪失信任度。
當前,為了提升物件識別模型的識別準確率,一般是透過優化訓練集進行重複訓練而得到更優異的物件識別模型。如何優化訓練集則顯得尤其重要。
鑒於以上內容,有必要提出一種影像處理方法、電腦裝置,可以有效提升圖像分割的準確率。
所述影像處理方法包括:獲取檢測圖像以及該檢測圖像對應的標籤圖像;利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像;基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
優選地,所述基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像包括:設定超解析度的倍數;根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像。
優選地,所述根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像包括:根據所設定的超解析度的倍數以及所述第一分割圖像的尺寸創建一張參考圖像;根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值;根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值,所述其他圖元點是指所述參考圖像中,除所述指定圖元點之外的圖元點;及當所述參考圖像的所述指定圖元點以及其他圖元點的RGB值設定完後,將該參考圖像作為所述第二分割圖像。
優選地,所述指定圖元點是指所述參考圖像中位於每個奇數行的每個奇數位置的圖元點;其中,所述根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值包括:獲取所述第一分割圖像的每行所有圖元點的RGB值;及根據所獲取的每行所有圖元點的RGB值,設置所述指定圖元點的RGB值。
優選地,所述根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值包括:根據任意一個其他圖元點在所述參考圖像中的位置,從所述標籤圖像中確定與該任意一個其他圖元點所對應的標籤圖元點;根據任意一個其他圖元點在所述參考圖像中的位置確定與該任意一個其他圖元點相鄰的兩個相鄰圖元點,並計算所述兩個相鄰圖元點的RGB值的平均值,將所計算獲得的RGB值的平均值作為所述任意一個其他圖元點的參考RGB值;比較所述任意一個其他圖元點的參考RGB值與所述任意一個其他圖元點對應的標籤圖元點的RGB值;當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值相同時,將該任意一個其他圖元點的RGB值設置為等於該任意一個其他圖元點的參考RGB值;及當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值不相同時,根據該任意一個其他圖元點的參考RGB值以及與該任意一個其他圖元點對應的標籤圖元點的RGB值設置該任意一個其他圖元點的RGB值。
優選地,所述調整所述第二分割圖像的尺寸包括:將所述第二分割圖像等比例縮放,使得等比例縮放後的該第二分割圖像的尺寸等於所述檢測圖像的尺寸。
所述電腦裝置包括:處理器;儲存器,所述儲存器用於儲存至少一個指令,所述處理器用於執行所述至少一個指令以實現以下步驟:獲取檢測圖像以及該檢測圖像對應的標籤圖像;利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像;基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
優選地,所述基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像包括:設定超解析度的倍數;根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像。
優選地,所述根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像包括:根據所設定的超解析度的倍數以及所述第一分割圖像的尺寸創建一張參考圖像;根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值;根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值,所述其他圖元點是指所述參考圖像中,除所述指定圖元點之外的圖元點;及當所述參考圖像的所述指定圖元點以及其他圖元點的RGB值設定完後,將該參考圖像作為所述第二分割圖像。
優選地,所述指定圖元點是指所述參考圖像中位於每個奇數行的每個奇數位置的圖元點;其中,所述根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值包括:獲取所述第一分割圖像的每行所有圖元點的RGB值;及根據所獲取的每行所有圖元點的RGB值,設置所述指定圖元點的RGB值。
相較於習知技術,本發明提供的影像處理方法、電腦裝置,可以有效提升圖像分割的準確率,由此使得基於本發明所分割的圖像所訓練獲得物件識別模型的準確率也可以得到提升。
為了能夠更清楚地理解本發明的上述目的、特徵和優點,下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是,在不衝突的情況下,本發明的實施例及實施例中的特徵可以相互組合。
在下面的描述中闡述了很多具體細節以便於充分理解本發明,所描述的實施例僅僅是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本發明保護的範圍。
除非另有定義,本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的,不是旨在於限制本發明。
圖1是本發明較佳實施例提供的影像處理方法的流程圖。
在本實施例中,所述影像處理方法可以應用於電腦裝置中,對於需要進行影像處理的電腦裝置,可以直接在電腦裝置上集成本發明的方法所提供的用於影像處理的功能,或者以軟體開發套件(Software Development Kit,SDK)的形式運行在電腦裝置上。
如圖1所示,所述影像處理方法具體包括以下步驟,根據不同的需求,該流程圖中步驟的順序可以改變,某些步驟可以省略。
步驟S1、獲取檢測圖像以及該檢測圖像對應的標籤圖像。
本實施例中,所述檢測圖像可以是街景圖像、或者是對其他指定的物件所拍攝的圖像。
所述標籤圖像可以是指對所述檢測圖像中的每個物件所在區域作了標識的圖像。本實施例中,所述檢測圖像的尺寸與所述標籤圖像的尺寸相同。
舉例而言,假設所述檢測圖像為一街景圖像,在該街景圖像中包括馬路、電線杆,以及行人,那麼所述標籤圖像則是指在所述檢測圖像中對該馬路、電線杆,以及行人分別所在區域加以標識後的圖像。
本實施例中,所述檢測圖像可以是用於訓練物件識別模型的樣本圖像。
步驟S2、利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像。
本實施例中,所述分割模型可以包含一特徵提取模型以及一分類模型。該特徵提取模型用於提供不同場景間的不同物件的判別機率,該分類模型用於進行上採樣(upsample)並進行圖元級別類型的判定,最終輸出一塊完整的分割圖像。所述特徵提取模型可以是指VGG、Resnet等,所述上採樣的模型可以是指FCN(Fully Convolutional Networks)或Fully Connected CRF等。
需要說明的是,一般來講,利用分割模型對所述檢測圖像進行分割後所獲得的所述第一分割圖像的尺寸會小於所述檢測圖像的尺寸。步驟S3、基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像。
本實施例中,所述基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像包括:設定超解析度的倍數;以及根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像。
在一個實施例中,可以回應用戶的輸入來設定所述超解析度的倍數,或者由系統開發人員直接設定好所述超解析度的倍數。優選地,所述超解析度的倍數為2或者4。
在一個實施例中,所述根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像包括(a1)-(a1):
(a1)根據所設定的超解析度的倍數以及所述第一分割圖像的尺寸創建一張參考圖像。
舉例而言,假設所述第一分割圖像的尺寸為60*120,設定所述超解析度的倍數為4倍,那麼所述參考圖像的尺寸則為240*480。
在一個實施例中,所述參考圖像的每個圖元點的初始RGB值相同。例如都為0或者255。
(a2)根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值。
在一個實施例中,所述指定圖元點是指所述參考圖像中位於每個奇數行的每個奇數位元的圖元點。
舉例而言,參閱圖2所示,假設第一分割圖像5的尺寸為4*4,所設定的超解析度的倍數為2倍,基於該第一分割圖像5以及所設定的超解析度的倍數2倍創建了參考圖像6,該參考圖像6的尺寸為8*8。那麼在所述參考圖像6中,位於每個奇數行即第1、3、5、7行中的每個奇數位元的圖元點(如圖元點P1’、 P3’、P5’、P7’、P17’、P19’、P21’、P23’……P49’、P51’、P53’、P55’)即為所述指定圖元點。
在一個實施例中,所述根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值包括(a21)-(a22):
(a21)獲取所述第一分割圖像的每行所有圖元點的RGB值。
(a22)根據所獲取的每行所有圖元點的RGB值,設置所述指定圖元點的RGB值。
具體地,首先可以按照從上到下的順序將所述第一分割圖像的每行與所述參考圖像中的其中一個奇數行建立關聯。
例如,將所述第一分割圖像的第一行與所述參考圖像中的第一個奇數行(也即是第一行)建立關聯;將所述第一分割圖像的第二行與所述參考圖像中的第二個奇數行(也即是第三行)建立關聯;將所述第一分割圖像的第三行與所述參考圖像中的第三個奇數行(也即是第五行)建立關聯;以及將所述第一分割圖像的第四行與所述參考圖像中的第四個奇數行(也即是第七行)建立關聯。
然後按照從左到右的順序,將所述參考圖像中每行所對應的所述指定圖元點的RGB值設定為等於所述第一分割圖像中對應行的對應圖元點的RGB值。
舉例而言,仍然參閱圖2所示,假設獲取到第一分割圖像5的第一行的圖元點P1、P2、P3、P4中的每個圖元點的RGB值,然後即可將所述參考圖像6中與該第一分割圖像5的第一行所關聯的奇數行(也即是所述參考圖像6的第一行)的奇數位元的圖元點P1’、P3’、P5’、P7’的RGB值分別設定為等於圖元點P1、P2、P3、P4的RGB值。即設定圖元點P1’ 的RGB值等於圖元點P1的RGB值;設定圖元點P3’ 的RGB值等於圖元點P2的RGB值;設定圖元點P5’ 的RGB值等於圖元點P3的RGB值;設定圖元點P7’ 的RGB值等於圖元點P4的RGB值。類似地,設定圖元點P17’ 的RGB值等於圖元點P5的RGB值;設定圖元點P19’ 的RGB值等於圖元點P6的RGB值;設定圖元點P21’ 的RGB值等於圖元點P7的RGB值;設定圖元點P23’ 的RGB值等於圖元點P8的RGB值。
(a3)根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值,所述其他圖元點是指所述參考圖像中,除所述指定圖元點之外的圖元點。
在一個實施例中,所述根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值包括(a31)-(a35):
(a31)根據任意一個其他圖元點在所述參考圖像中的位置,從所述標籤圖像中確定與該任意一個其他圖元點所對應的圖元點(為清楚簡單說明本發明,以下將所述標籤圖像中與該任意一個其他圖元點所對應的圖元點稱為“標籤圖元點”)。
本實施例中,與該任意一個其他圖元點所對應的標籤圖元點在所述標籤圖像中的位置與該任意一個其他圖元點在所述參考圖像中的位置相同。本實施例中所提及的位置可以是指座標。
(a32)根據該任意一個其他圖元點在所述參考圖像中的位置確定與該任意一個其他圖元點相鄰的兩個相鄰圖元點,並計算所述兩個相鄰圖元點的RGB值的平均值,將所計算獲得的RGB值的平均值作為所述任意一個其他圖元點的參考RGB值。
本實施例中,與所述任意一個其他圖元點相鄰的兩個相鄰圖元點可以是指第一組圖元點或者第二組圖元點。該第一組圖元點包括位於所述任意一個其他圖元點的左邊的第一個圖元點以及位於所述任意一個其他圖元點的右邊的第一個圖元點。該第二組圖元點包括位於所述任意一個其他圖元點的上邊的第一個圖元點以及位於所述任意一個其他圖元點的下邊的第一個圖元點。
優選地,與所述任意一個其他圖元點相鄰的兩個相鄰圖元點為所述第一組圖元點。
需要說明的是,當任意一個其他圖元點既不存在所述第一組圖元點也不存在所述第二組圖元點時,與所述任意一個其他圖元點相鄰的兩個相鄰圖元點可以是指所述位於所述任意一個其他圖元點的左邊的第一個圖元點、位於所述任意一個其他圖元點的右邊的第一個圖元點、位於所述任意一個其他圖元點的上邊的第一個圖元點以及位於所述任意一個其他圖元點的下邊的第一個圖元點中的任意兩者的組合。
(a33)比較所述任意一個其他圖元點的參考RGB值與所述任意一個其他圖元點對應的標籤圖元點的RGB值。
(a34)當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值相同時,將該任意一個其他圖元點的RGB值設置為等於該任意一個其他圖元點的參考RGB值。
(a35)當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值不相同時,根據該任意一個其他圖元點的參考RGB值以及與該任意一個其他圖元點對應的標籤圖元點的RGB值設置該任意一個其他圖元點的RGB值。
在一個實施例中,所述任意一個其他圖元點的RGB值可以等於該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值的平均值。
(a4)當所述參考圖像的所述指定圖元點以及其他圖元點的RGB值設定完後,將該參考圖像作為所述第二分割圖像。
步驟S4、調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
本實施例中,所述調整所述第二分割圖像的尺寸包括:將所述第二分割圖像等比例縮放(例如等比例放大或者等比例縮小),使得等比例縮放後的該第二分割圖像的尺寸等於所述檢測圖像的尺寸。
本實施例中,可以基於上述步驟S1-S4對作為訓練集的每個樣本圖像進行分割,以及基於每個樣本圖像所對應的標準分割圖像訓練物件識別模型。由此使得訓練獲得物件識別模型的準確率也可以得到相應的提升。
上述圖1詳細介紹了本發明的影像處理方法,下面結合圖3和圖4,對實現所述影像處理方法的軟體系統的功能模組以及實現所述影像處理方法的硬體裝置架構進行介紹。
應該瞭解,所述實施例僅為說明之用,在專利申請範圍上並不受此結構的限制。
參閱圖3所示,是本發明較佳實施例提供的影像處理系統的模組圖。
在一些實施例中,所述影像處理系統30運行於電腦裝置3中。所述影像處理系統30可以包括多個由程式碼段所組成的功能模組。所述影像處理系統30中的各個程式段的程式碼可以儲存於電腦裝置3的儲存器31中,並由至少一個處理器32所執行,以實現影像處理功能(詳見圖2描述)。
本實施例中,所述影像處理系統30根據其所執行的功能,可以被劃分為多個功能模組。所述功能模組可以包括:獲取模組301、執行模組302。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段,其儲存在儲存器中。在本實施例中,關於各模組的功能將在後續的實施例中詳述。
具體地,獲取模組301可以用於獲取檢測圖像以及該檢測圖像對應的標籤圖像。執行模組302可以利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像。執行模組302還可以基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
參閱圖4所示,為本發明較佳實施例提供的電腦裝置的結構示意圖。在本發明較佳實施例中,所述電腦裝置3包括儲存器31、至少一個處理器32、顯示幕33。本領域技術人員應該瞭解,圖4示出的電腦裝置的結構並不構成本發明實施例的限定,既可以是匯流排型結構,也可以是星形結構,所述電腦裝置3還可以包括比圖示更多或更少的其他硬體或者軟體,或者不同的部件佈置。
在一些實施例中,所述電腦裝置3包括一種能夠按照事先設定或儲存的指令,自動進行數值計算和/或資訊處理的終端,其硬體包括但不限於微處理器、專用積體電路、可程式設計閘陣列、數位訊號處理器及嵌入式設備等。
需要說明的是,所述電腦裝置3僅為舉例,其他現有的或今後可能出現的電子產品如可適應於本發明,也應包含在本發明的保護範圍以內,並以引用方式包含於此。
在一些實施例中,所述儲存器31用於儲存程式碼和各種資料,例如安裝在所述電腦裝置3中的影像處理系統30,並在電腦裝置3的運行過程中實現高速、自動地完成程式或資料的存取。所述儲存器31包括唯讀儲存器(Read-Only Memory,ROM)、可程式設計唯讀儲存器(Programmable Read-Only Memory,PROM)、可抹除可程式設計唯讀儲存器(Erasable Programmable Read-Only Memory,EPROM)、一次可程式設計唯讀儲存器(One-time Programmable Read-Only Memory,OTPROM)、電子抹除式可複寫唯讀儲存器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、唯讀光碟(Compact Disc Read-Only Memory,CD-ROM)或其他光碟儲存器、磁碟儲存器、磁帶儲存器、或者任何其他能夠用於攜帶或儲存資料的電腦可讀的儲存介質。
在一些實施例中,所述至少一個處理器32可以由積體電路組成,例如可以由單個封裝的積體電路所組成,也可以是由多個相同功能或不同功能封裝的積體電路所組成,包括一個或者多個中央處理器(Central Processing unit,CPU)、微處理器、數位訊號處理晶片、圖形處理器及各種控制晶片的組合等。所述至少一個處理器32是所述電腦裝置3的控制核心(Control Unit),利用各種介面和線路連接整個電腦裝置3的各個部件,透過運行或執行儲存在所述儲存器31內的程式或者模組,以及調用儲存在所述儲存器31內的資料,以執行電腦裝置3的各種功能和處理資料,例如執行影像處理的功能。
儘管未示出,所述電腦裝置3還可以包括給各個部件供電的電源(比如電池),優選的,電源可以透過電源管理裝置與所述至少一個處理器32邏輯相連,從而透過電源管理裝置實現管理充電、放電、以及功耗管理等功能。電源還可以包括一個或一個以上的直流或交流電源、再充電裝置、電源故障檢測電路、電源轉換器或者逆變器、電源狀態指示器等任意元件。所述電腦裝置3還可以包括多種感測器、藍牙模組、Wi-Fi模組等,在此不再贅述。
應該瞭解,所述實施例僅為說明之用,在專利申請範圍上並不受此結構的限制。
上述以軟體功能模組的形式實現的集成的單元,可以儲存在一個電腦可讀取儲存介質中。上述軟體功能模組儲存在一個儲存介質中,包括若干指令用以使得一台電腦裝置(可以是伺服器、個人電腦等)或處理器(processor)執行本發明各個實施例所述方法的部分。
在進一步的實施例中,結合圖3,所述至少一個處理器32可執行所述電腦裝置3的操作裝置以及安裝的各類應用程式(如所述的影像處理系統30)、程式碼等,例如,上述的各個模組。
所述儲存器31中儲存有程式碼,且所述至少一個處理器32可調用所述儲存器31中儲存的程式碼以執行相關的功能。例如,圖3中所述的各個模組是儲存在所述儲存器31中的程式碼,並由所述至少一個處理器32所執行,從而實現所述各個模組的功能以達到影像處理的目的。
在本發明的一個實施例中,所述儲存器31儲存一個或多個指令(即至少一個指令),所述至少一個指令被所述至少一個處理器32所執行以實現圖1所示的影像處理的目的。
在本發明所提供的幾個實施例中,應該理解到,所揭露的裝置和方法,可以透過其它的方式實現。例如,以上所描述的裝置實施例僅僅是示意性的,例如,所述模組的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。
所述作為分離部件說明的模組可以是或者也可以不是物理上分開的,作為模組顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組來實現本實施例方案的目的。
另外,在本發明各個實施例中的各功能模組可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言,顯然本發明不限於上述示範性實施例的細節,而且在不背離本發明的精神或基本特徵的情況下,能夠以其他的具體形式實現本發明。因此,無論從哪一點來看,均應將實施例看作是示範性的,而且是非限制性的,本發明的範圍由所附請求項而不是上述說明限定,因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將請求項中的任何附圖標記視為限制所涉及的請求項。此外,顯然“包括”一詞不排除其他單元或,單數不排除複數。裝置請求項中陳述的多個單元或裝置也可以由一個單元或裝置透過軟體或者硬體來實現。第一,第二等詞語用來表示名稱,而並不表示任何特定的順序。
最後應說明的是,以上實施例僅用以說明本發明的技術方案而非限制,儘管參照較佳實施例對本發明進行了詳細說明,本領域的普通技術人員應當理解,可以對本發明的技術方案進行修改或等同替換,而不脫離本發明技術方案的精神和範圍。
3:電腦裝置 30:影像處理系統 301:獲取模組 302:執行模組 31:儲存器 32:處理器 5:第一分割圖像 6:參考圖像 33:顯示幕 S1~S4:步驟
為了更清楚地說明本發明實施例或習知技術中的技術方案,下面將對實施例或習知技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發明的實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據提供的附圖獲得其他的附圖。
圖1是本發明較佳實施例提供的影像處理方法的流程圖
圖2舉例說明圖元點RGB的設定。
圖3是本發明較佳實施例提供的影像處理系統的功能模組圖。
圖4是本發明較佳實施例提供的電腦裝置的結構圖。
S1~S4:步驟

Claims (10)

  1. 一種影像處理方法,其中,所述方法包括: 獲取檢測圖像以及該檢測圖像對應的標籤圖像; 利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像; 基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及 調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
  2. 如請求項1所述的影像處理方法,其中,所述基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像包括: 設定超解析度的倍數; 根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像。
  3. 如請求項2所述的影像處理方法,其中,所述根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像包括: 根據所設定的超解析度的倍數以及所述第一分割圖像的尺寸創建一張參考圖像 ; 根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值; 根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值,所述其他圖元點是指所述參考圖像中,除所述指定圖元點之外的圖元點;及 當所述參考圖像的所述指定圖元點以及其他圖元點的RGB值設定完後,將該參考圖像作為所述第二分割圖像。
  4. 如請求項3所述的影像處理方法,其中,所述指定圖元點是指所述參考圖像中位於每個奇數行的每個奇數位置的圖元點;其中,所述根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值包括: 獲取所述第一分割圖像的每行所有圖元點的RGB值;及 根據所獲取的每行所有圖元點的RGB值,設置所述指定圖元點的RGB值。
  5. 如請求項4所述的影像處理方法,其中,所述根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值包括: 根據任意一個其他圖元點在所述參考圖像中的位置,從所述標籤圖像中確定與該任意一個其他圖元點所對應的標籤圖元點; 根據任意一個其他圖元點在所述參考圖像中的位置確定與該任意一個其他圖元點相鄰的兩個相鄰圖元點,並計算所述兩個相鄰圖元點的RGB值的平均值,將所計算獲得的RGB值的平均值作為所述任意一個其他圖元點的參考RGB值; 比較所述任意一個其他圖元點的參考RGB值與所述任意一個其他圖元點對應的標籤圖元點的RGB值; 當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值相同時,將該任意一個其他圖元點的RGB值設置為等於該任意一個其他圖元點的參考RGB值;及 當該任意一個其他圖元點的參考RGB值與該任意一個其他圖元點對應的標籤圖元點的RGB值不相同時,根據該任意一個其他圖元點的參考RGB值以及與該任意一個其他圖元點對應的標籤圖元點的RGB值設置該任意一個其他圖元點的RGB值。
  6. 如請求項1所述的影像處理方法,其中,所述調整所述第二分割圖像的尺寸包括: 將所述第二分割圖像等比例縮放,使得等比例縮放後的該第二分割圖像的尺寸等於所述檢測圖像的尺寸。
  7. 一種電腦裝置,其中,所述電腦裝置包括: 處理器; 儲存器,所述儲存器用於儲存至少一個指令,所述處理器用於執行所述至少一個指令以實現以下步驟: 獲取檢測圖像以及該檢測圖像對應的標籤圖像; 利用預設的分割模型對所述檢測圖像進行分割,獲得第一分割圖像; 基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像;及 調整所述第二分割圖像的尺寸,將調整後的所述第二分割圖像作為所述檢測圖像的標準分割圖像。
  8. 如請求項7所述的電腦裝置,其中,所述基於所述標籤圖像對所述第一分割圖像進行校正,獲得第二分割圖像包括: 設定超解析度的倍數; 根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像。
  9. 如請求項8所述的電腦裝置,其中,所述根據所述標籤圖像,基於所設定的超解析度的倍數對所述第一分割圖像執行超解析度處理,獲得所述第二分割圖像包括: 根據所設定的超解析度的倍數以及所述第一分割圖像的尺寸創建一張參考圖像 ; 根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值; 根據所述指定圖元點的RGB值以及所述標籤圖像為其他圖元點設定RGB值,所述其他圖元點是指所述參考圖像中,除所述指定圖元點之外的圖元點;及 當所述參考圖像的所述指定圖元點以及其他圖元點的RGB值設定完後,將該參考圖像作為所述第二分割圖像。
  10. 如請求項9所述的電腦裝置,其中,所述指定圖元點是指所述參考圖像中位於每個奇數行的每個奇數位置的圖元點;其中,所述根據所述第一分割圖像,為所述參考圖像中的指定圖元點設定RGB值包括: 獲取所述第一分割圖像的每行所有圖元點的RGB值;及 根據所獲取的每行所有圖元點的RGB值,設置所述指定圖元點的RGB值。
TW110100274A 2021-01-05 2021-01-05 影像處理方法、電腦裝置 TWI755240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110100274A TWI755240B (zh) 2021-01-05 2021-01-05 影像處理方法、電腦裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110100274A TWI755240B (zh) 2021-01-05 2021-01-05 影像處理方法、電腦裝置

Publications (2)

Publication Number Publication Date
TWI755240B TWI755240B (zh) 2022-02-11
TW202228070A true TW202228070A (zh) 2022-07-16

Family

ID=81329498

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110100274A TWI755240B (zh) 2021-01-05 2021-01-05 影像處理方法、電腦裝置

Country Status (1)

Country Link
TW (1) TWI755240B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474766A (zh) * 2022-07-13 2024-01-30 瑞昱半导体股份有限公司 超级分辨率模型的训练方法、超级分辨率方法与系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886215B (zh) * 2019-02-26 2021-10-19 常熟理工学院 基于机器视觉的低速园区无人车巡航及紧急制动系统
CN111667483B (zh) * 2020-07-03 2022-08-30 腾讯科技(深圳)有限公司 多模态图像的分割模型的训练方法、图像处理方法和装置

Also Published As

Publication number Publication date
TWI755240B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
US11551027B2 (en) Object detection based on a feature map of a convolutional neural network
US20230007989A1 (en) Methods and devices for generating training sample, training model and recognizing character
CN114881989A (zh) 基于小样本目标对象缺陷检测的方法、装置、电子设备
CN110059637B (zh) 一种人脸对齐的检测方法及装置
CN111931729B (zh) 基于人工智能的行人检测方法、装置、设备及介质
TWI755240B (zh) 影像處理方法、電腦裝置
CN114332590B (zh) 联合感知模型训练、联合感知方法、装置、设备和介质
US20200285879A1 (en) Scene text detector for unconstrained environments
CN115470109A (zh) 一种汽车仪表自动化测试方法及装置
TWI748828B (zh) 產品瑕疵檢測方法、電腦裝置及儲存媒體
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN115578386A (zh) 泊车图像生成方法、装置、电子设备及存储介质
WO2023134080A1 (zh) 相机作弊识别方法、装置、设备及存储介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
TWI777319B (zh) 幹細胞密度確定方法、裝置、電腦裝置及儲存介質
CN114419070A (zh) 一种图像场景分割方法、装置、设备及存储介质
CN111124862A (zh) 智能设备性能测试方法、装置及智能设备
CN112464939A (zh) 目标检测中的数据增广方法、装置及存储介质
US20220215644A1 (en) Image processing method and computing device
US20020101424A1 (en) Method of testing graphic accelerator in DOS mode
CN114827291B (zh) 一种ai智能协议解析方法、装置、电子设备和存储介质
CN114926454B (zh) 一种停车位检测方法及装置、电子设备
TWI795921B (zh) 圖像檢測方法、電腦裝置及儲存介質
CN115641430B (zh) 一种兴趣面确定方法、装置、介质及计算机设备
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium