一种图像处理方法及电子设备技术

本发明专利技术涉及通信技术领域，提供一种图像处理方法及电子设备，以解决现有技术获取张贴小广告所在地点的效率低的问题。其中，图像处理方法包括：将第一图像输入神经网络分类模型，并进行计算；根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置；在根据所述神经网络分类模型输出的结果，确定所述第一图像中包含所述目标图像的情况下，根据所述标记获取所述目标图像对应的区域。这样，通过获取第一图像中的目标图像的区域，从而可以确定小广告所在的位置，能够提高小广告位置获取的效率。提高小广告位置获取的效率。提高小广告位置获取的效率。

【技术实现步骤摘要】
一种图像处理方法及电子设备


[0001]本专利技术涉及通信
，尤其涉及一种图像处理方法及电子设备。

技术介绍

[0002]街头社区小广告多指一些人员为了达到宣传目的非法张贴或喷涂在街头围墙、电线杆、社区甚至居民楼走道的小广告。现有技术中，管辖区工作人员通常是采用街区巡逻或通过查看城市监控摄像头的方式获取小广告张贴、喷涂的地点，然后对小广告进行清理。然而，这些小广告分布的范围广，地点多而杂，这种通过巡逻或查看监控摄像头来获取广告所在地点的方式效率低。

技术实现思路

[0003]本专利技术实施例提供一种图像处理方法及电子设备，以解决现有技术获取张贴小广告所在地点的效率低的问题。
[0004]为了解决上述技术问题，本专利技术是这样实现的：
[0005]第一方面，本专利技术实施例提供了一种图像处理方法，包括：
[0006]将第一图像输入神经网络分类模型，并进行计算；
[0007]根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置；
[0008]在根据所述神经网络分类模型输出的结果，确定所述第一图像中包含所述目标图像的情况下，根据所述标记获取所述目标图像对应的区域。
[0009]第二方面，本专利技术实施例还提供一种电子设备，包括：
[0010]第一输入模块，用于将第一图像输入神经网络分类模型，并进行计算；
[0011]添加模块，用于根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置；
[0012]第一获取模块，用于在根据所述神经网络分类模型输出的结果，确定所述第一图像中包含所述目标图像的情况下，根据所述标记获取所述目标图像对应的区域。
[0013]第三方面，本专利技术实施例还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的图像处理方法中的步骤。
[0014]第四方面，本专利技术实施例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上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的图像处理方法中的步骤。
[0015]本专利技术实施例中，将第一图像输入神经网络分类模型，并进行计算；根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置；在根据所述神经网络分类模型输出的结果，确定所述第一图像中包含所述目标图像的情况下，根据所述标记获取所述目标图像对应的区域。
这样，通过获取第一图像中的目标图像的区域，从而可以确定小广告所在的位置，能够提高小广告位置获取的效率。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例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专利技术的一些实施例，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。
[0017]图1是本专利技术实施例提供的图像处理方法的流程图之一；
[0018]图2是本专利技术实施例提供的图像处理方法的流程图之二；
[0019]图3是本专利技术实施例提供的图像处理方法的流程图之三；
[0020]图4是本专利技术实施例提供的电子设备的结构图之一；
[0021]图5是本专利技术实施例提供的电子设备的结构图之二；
[0022]图6是本专利技术实施例提供的电子设备的结构图之三；
[0023]图7是本专利技术实施例提供的电子设备的结构图之四。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0025]参见图1，图1是本专利技术实施例提供的图像处理方法的流程图，如图1所示，包括以下步骤：
[0026]步骤101、将第一图像输入神经网络分类模型，并进行计算。
[0027]其中，第一图像中可以是一张图像，还可以是多张图像中的任一图像。第一图像中还可以包括多张图像，如将视频图像中包含的多个图像输入神经网络分类模型。
[0028]可选的，所述将第一图像输入神经网络分类模型，并进行计算之前，所述方法还包括：
[0029]获取第一图像和第二图像，所述第一图像中包含所述目标对象的图像，所述第二图像中不包含所述目标对象的图像；
[0030]将所述第一图像和所述第二图像输入所述神经网络分类模型进行训练。
[0031]在该实施方式中，可以将包含目标对象图像的第一图像作为正样本，将不包含目标对象图像的第二图像作为负样本，输入神经网络分类模型进行训练。其中，第一图像和第二图像中均可以包括一张或者多张图像。第一图像中的每张图像中均包含目标对象的图像，第二图像中的每张图像中均不包含目标对象的图像。上述目标对象的图像可以是需要查找特定类别的图像，例如，小广告的图像或者是其他场景中需要查找的图像。这样，在应用于查找小广告时，神经网络分类模型能够将包含小广告的图像和不包含小广告的图像进行分类，也就是说，能够识别包含小广告的图像，并输出这些图像。
[0032]在通过上述训练后，分类模型可以根据输入的图像识别每张图像中是否包含目标
对象的图像，即是否包含目标图像，从而将包含小广告的图像和不包含小广告的图像进行分类。提高对目标图像识别的灵活性和准确性。
[0033]步骤102、根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置。
[0034]在此步骤中，将第一图像输入神经网络分类模型后，可以进行计算，并根据计算结果，在第一图像中添加标记。例如，对表示不同类型的图像覆盖不同的颜色，或对不同对象的图像添加不同的标记。还可以仅对需要查找的目标对象的图像添加标记。例如，将包含广告、建筑物、人物的第一图像输入神经网络分类模型后，根据计算结果在广告区域添加红色标记。
[0035]具体地，在卷积神经网络(简称CNN)输出层(用于分类softmax的层)之前，最后一个卷积层之后，采用全局平均池化层(简称GAP)，把用于小广告分类，但失去空间信息的一维特征向量在类别上的响应，映射回带有空间信息的特征图上去，即把图片中的重要区域，用输出层权重映射回卷积层特征的方式标记出来。将每个单元的特征图加权求和用于最后的输出。
[0036]具体的计算方式如下：
[0037]用f
k
(x,y)代表CNN最后一个卷积层在空间坐标(x,y)中通道k的响应值。每个通道k，通过GAP后的结果为
[0038]F
k
...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：将第一图像输入神经网络分类模型，并进行计算；根据所述神经网络分类模型的计算结果，在所述第一图像中添加标记，所述标记用于指示目标对象对应的目标图像在所述第一图像中的位置；在根据所述神经网络分类模型输出的结果，确定所述第一图像中包含所述目标图像的情况下，根据所述标记获取所述目标图像对应的区域。2.根据权利要求1所述的方法，其特征在于，所述将第一图像输入神经网络分类模型，并进行计算之前，所述方法还包括：获取第一图像和第二图像，所述第一图像中包含所述目标对象的图像，所述第二图像中不包含所述目标对象的图像；将所述第一图像和所述第二图像输入所述神经网络分类模型进行训练。3.根据权利要求1所述的方法，其特征在于，所述根据所述标记获取所述目标图像对应的区域，包括：确定所述第一图像中的子图像的轮廓；根据所述子图像的轮廓和所述标记所指示的位置，在所述子图像中确定所述目标图像对应的区域。4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述标记获取所述目标图像对应的区域之后，所述方法还包括：在所述区域中包括与预设特征字符匹配的目标字符的情况下，添加用于指示所述区域的范围的标记。5.根据权利要求4所述的方法，其特征在于，所述在所述区域中包括与预设特征字符匹配的目标字符的情况下，添加用于指示所述区域的范围的标记，包括：在所述区域中包括与预设特征字符匹配的目标字符，且所述目标字符重复的次数大于或等于预设值的情况下，添加用于指示所述区域的范围的标记。6.一种电子设备，其特征在于，包括：第一输入模块，用于将第一图像输入神经网络分类模型，并进行计算；添加模块，用于根据所述神经网络分类模型的计算结果，...

【专利技术属性】
技术研发人员：李胜利，吴扬峰，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：