本公开实施例提供图像处理方法、装置和计算机可读存储介质。根据本公开实施例的图像处理方法包括：获取待识别图像；通过颜色轮廓识别模型对待识别图像进行颜色和轮廓识别，以获得待识别图像中的对象的颜色类别以及轮廓识别结果；通过形状识别模型对轮廓识别结果进行形状识别，以获得对象的形状识别结果；以及，输出所获得的对象的颜色类别以及形状识别结果。出所获得的对象的颜色类别以及形状识别结果。出所获得的对象的颜色类别以及形状识别结果。
【技术实现步骤摘要】
图像处理方法、装置和计算机可读存储介质
[0001]本公开涉及图像处理领域，尤其涉及一种图像处理方法、装置和计算机可读存储介质。
技术介绍
[0002]图像识别为计算机视觉领域中的重要研究方向之一，其指的是利用计算机对图像进行处理和分析以对图像中的对象的重要信息进行识别。通常在图像识别的过程中需要提取出对象的特征，其中颜色及形状为对象的关键特征，因此检测出图像中的对象的颜色及形状对于图像识别而言具有重要的意义。
[0003]现有的对图像中对象的颜色及形状进行识别的方法主要包括传统算法、基于特征点匹配的方法以及传统算法和深度学习相结合的方法等。其中，涉及颜色阈值分割以及几何信息分析的传统算法将会受到人工颜色阈值选择及实际环境噪声等因素的影响而使得颜色识别的准确率不高，并且较难准确获得针对复杂形状的形状识别结果。此外，基于特征点匹配的方法通常需要较大的计算量，并且不具有很好的实时性。另外，传统算法和深度学习相结合的方法同样会受到人工颜色阈值选择及实际环境噪声等因素的影响，因此识别的准确率不高。
[0004]因此，需要一种能够准确地识别对象的颜色及形状的图像处理方法和装置，以便避免人工颜色阈值选择及实际环境噪声等因素对于识别结果造成的影响，从而进一步提高识别对象的颜色及形状的准确性。
技术实现思路
[0005]为了解决上述问题，本公开提供了一种图像处理方法、装置和计算机可读存储介质。
[0006]根据本公开的一个方面，提供了一种图像处理方法，包括：获取待识别图像；通过颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别，以获得所述待识别图像中的对象的颜色类别以及轮廓识别结果；通过形状识别模型对所述轮廓识别结果进行形状识别，以获得所述对象的形状识别结果；以及，输出所获得的所述对象的所述颜色类别以及所述形状识别结果。
[0007]根据本公开的示例，所述颜色轮廓识别模型包括用于对所述待识别图像进行特征提取的编码模块以及用于进行图像还原的解码模块，并且所述编码模块中包括至少一个残差模块，每个所述残差模块包括在其输入与输出之间进行连接的连接支路。
[0008]根据本公开的示例，所述编码模块还包括至少一个编码卷积模块，每个所述编码卷积模块由卷积层以及ReLU激活函数构成，其中，所述至少一个残差模块被布置在所述至少一个编码卷积模块之后，并且相邻的编码卷积模块与残差模块之间通过下采样层进行连接。
[0009]根据本公开的示例，所述解码模块包括与所述编码模块中的所述至少一个编码卷
积模块以及所述至少一个残差模块分别对应的多个解码卷积模块，每个所述解码卷积模块由卷积层以及ReLU激活函数构成，其中，每个所述解码卷积模块与对应的编码卷积模块或残差模块进行连接以融合所述对应的编码卷积模块或残差模块输出的图像特征信息。
[0010]根据本公开的示例，所述形状识别模型包括输入卷积层、输出卷积层以及在所述输入卷积层与所述输出卷积层之间的至少一个中间层，并且每个所述中间层由至少一个倒残差模块构成，每个所述倒残差模块具有线性瓶颈结构并且使用深度可分离卷积来提取图像特征。
[0011]根据本公开的示例，所述轮廓识别结果为提取出所述待识别图像中的所述对象的轮廓的二值化图像。
[0012]根据本公开的示例，所述获取所述待识别图像包括：对输入的原始图像进行中值滤波以获取所述待识别图像。
[0013]根据本公开的示例，所述方法还包括，在通过所述颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别之前，对所述颜色轮廓识别模型通过以下步骤进行训练：对标注后的训练图像进行数据增强操作以获得增强后的训练图像；以及，将所述增强后的训练图像输入所述颜色轮廓识别模型以对所述颜色轮廓识别模型进行训练。
[0014]根据本公开的示例，所述方法还包括，在通过所述形状识别模型对所述轮廓识别结果进行形状识别之前，对所述形状识别模型通过以下步骤进行训练：通过颜色阈值分割法提取出训练图像中的对象的轮廓以获得训练轮廓图像；以及将标注后的训练轮廓图像输入所述形状识别模型以对所述形状识别模型进行训练。
[0015]根据本公开的另一方面，提供了一种图像处理装置，包括：获取单元，配置为获取待识别图像；颜色轮廓识别单元，配置为通过颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别，以获得所述待识别图像中的对象的颜色类别以及轮廓识别结果；形状识别单元，配置为通过形状识别模型对所述轮廓识别结果进行形状识别，以获得所述对象的形状识别结果；以及，输出单元，配置为输出所获得的所述对象的所述颜色类别以及所述形状识别结果。
[0016]根据本公开的另一方面，提供了一种图像处理装置，包括：处理器；和存储器，在所述存储器中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：获取待识别图像；通过颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别，以获得所述待识别图像中的对象的颜色类别以及轮廓识别结果；通过形状识别模型对所述轮廓识别结果进行形状识别，以获得所述对象的形状识别结果；以及，输出所获得的所述对象的所述颜色类别以及所述形状识别结果。
[0017]根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现以下步骤：获取待识别图像；通过颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别，以获得所述待识别图像中的对象的颜色类别以及轮廓识别结果；通过形状识别模型对所述轮廓识别结果进行形状识别，以获得所述对象的形状识别结果；以及，输出所获得的所述对象的所述颜色类别以及所述形状识别结果。
附图说明
[0018]通过结合附图对本公开的实施例进行详细描述，本公开的上述和其它目的、特征、优点将会变得更加清楚。
[0019]图1示出了根据本公开实施例的图像处理方法的流程图。
[0020]图2示出了根据本公开实施例的颜色轮廓识别模型的结构的示意图。
[0021]图3A示出了根据本公开实施例的编码卷积模块的结构的示意图。
[0022]图3B示出了根据本公开实施例的残差模块的结构的示意图。
[0023]图4示出了根据本公开实施例的形状识别模型的识别结果的示例。
[0024]图5A示出了根据本公开实施例的形状识别模型的结构的示例。
[0025]图5B示出了根据本专利技术实施例的倒残差模块的结构的示例。
[0026]图6示出了根据本公开实施例的图像处理装置的框图。
[0027]图7示出了根据本公开实施例的另一图像处理装置的框图。
具体实施方式
[0028]下面将参照附图来描述根据本公开实施例的图像处理方法、装置和计算机可读存储介质。在附图中，相同的参考标号自始至终表示相同的元件。应当理解：这里描述的实施例仅仅是说明性的，而不应被解释为限制本公开的范围。
[0029]在现有的对图像中的对象进行颜色和形状识别的方法中，通常需要首先对图像进行颜色本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，包括：获取待识别图像；通过颜色轮廓识别模型对所述待识别图像进行颜色和轮廓识别，以获得所述待识别图像中的对象的颜色类别以及轮廓识别结果；通过形状识别模型对所述轮廓识别结果进行形状识别，以获得所述对象的形状识别结果；以及，输出所获得的所述对象的所述颜色类别以及所述形状识别结果。2.如权利要求1所述的图像处理方法，其中，所述颜色轮廓识别模型包括用于对所述待识别图像进行特征提取的编码模块以及用于进行图像还原的解码模块，并且所述编码模块中包括至少一个残差模块，每个所述残差模块包括在其输入与输出之间进行连接的连接支路。3.如权利要求2所述的图像处理方法，其中，所述编码模块还包括至少一个编码卷积模块，每个所述编码卷积模块由卷积层以及ReLU激活函数构成，其中，所述至少一个残差模块被布置在所述至少一个编码卷积模块之后，并且相邻的编码卷积模块与残差模块之间通过下采样层进行连接。4.如权利要求3所述的图像处理方法，其中，所述解码模块包括与所述编码模块中的所述至少一个编码卷积模块以及所述至少一个残差模块分别对应的多个解码卷积模块，每个所述解码卷积模块由卷积层以及ReLU激活函数构成，其中，每个所述解码卷积模块与对应的编码卷积模块或残差模块进行连接以融合所述对应的编码卷积模块或残差模块输出的图像特征信息。5.如权利要求1所述的图像处理方法，其中，所述形状识别模型包括输入卷积层、输出卷积层以及在所述输入卷积层与所述输出卷积层之间的至少一个中间层，并且每个所述中间层由至少一个倒残差模块构成，每个所述倒残差模块具有线性瓶颈结构并且使用深度可分离卷积来提取图像特征。6.如权利要求1
‑
5中的任一项所述的图像处理方法，其中所述轮廓识别结果为提取出所述待识别图像中的所述对象的轮廓的二值化图像。7.如权利要求1
‑
5中的任一项所述的图像处理方法，其中，所述获取所述待识别图像包括：对输入的原始图像进行中值滤波以获取所述待识别图像。8.如权利要求1
‑
5中的任一项所述的图像处理方法，其中，所述方法还包括，在...
【专利技术属性】
技术研发人员：张艳峰，郭晶晶，刘恕，
申请(专利权)人：威盛电子中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。