本申请公开了一种图像校正方法、装置、存储介质及电子设备。涉及人工智能技术领域，其中，该方法包括：获取待校正的第一图像，其中，第一图像为图像角度存在异常偏转的图像；通过边缘锐化模型对第一图像进行边缘锐化处理，得到第二图像，其中，边缘锐化处理用于增强第一图像的边缘轮廓；将第二图像输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，其中，输出结果中至少包括第二图像对应的每个边缘角点的位置坐标信息；基于每个边缘角点的位置坐标信息对第一图像进行图像校正，得到目标图像。本申请解决了现有技术在对偏转图像进行图像校正处理时，存在校正准度较低的技术问题。术问题。术问题。
【技术实现步骤摘要】
图像校正方法、装置、存储介质及电子设备
[0001]本申请涉及人工智能
，具体而言，涉及一种图像校正方法、装置、存储介质及电子设备。
技术介绍
[0002]随着移动互联网时代智能手持设备普及，移动端拍摄图像在全行各类业务中日益增多。金融影像采集从原有的扫描仪、高拍仪等固定采集方式逐步向移动端灵活拍照采集方式演化。例如，通过手机拍照采集图像。但是，手机拍照可能存在纸面不平整，存在角度倾斜或变形，光线不理想等问题，例如在网点到店客户识别场景下主要采用手机相机采集存单等影像后，再使用OCR进行关键字段的识别，存在由于影像采集质量差，导致关键字的识别准确率较差。
[0003]而现有技术通常通过传统图像处理的轮廓检测算法，例如霍夫线变换、阈值分割等方法提取ROI(即region of interest，感兴趣区域)区域轮廓，然后依据ROI区域轮廓将原图校正。但是，通过阈值分割的算法提取ROI区域轮廓，只是借助了图像的灰度信息，并未考虑像素间的空间相关信息(如邻域信息)，同时，由于复杂背景等外部干扰的存在，使得灰度直方图的波峰和波谷并不一定明显，抗干扰性较差，从而影响图像的清晰度和细节特征，导致在对偏转图像进行图像校正处理时，存在校正准度较低的问题。通过霍夫线变换算法提取ROI区域轮廓，由于该算法对于直线、圆、椭圆检测精度较高，而实际的应用场景情况是多变的。例如，受图像采集时的平整度不一、拍照角度等因素影响，采集到的图像轮廓多为不规则曲线，因此，该方法不但计算复杂度也较高，还会在对偏转图像进行图像校正处理时，存在校正准度较低的问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请提供了一种图像校正方法、装置、存储介质及电子设备，以至少解决现有技术在对偏转图像进行图像校正处理时，存在校正准度较低的技术问题。
[0006]根据本申请的一个方面，提供了一种图像校正方法，包括：获取待校正的第一图像，其中，所述第一图像为图像角度存在异常偏转的图像；通过边缘锐化模型对所述第一图像进行边缘锐化处理，得到第二图像，其中，所述边缘锐化处理用于增强所述第一图像的边缘轮廓；将所述第二图像输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果中至少包括所述第二图像对应的每个边缘角点的位置坐标信息；基于所述每个边缘角点的位置坐标信息对所述第一图像进行图像校正，得到目标图像。
[0007]进一步地，基于所述每个边缘角点的位置坐标信息对所述第一图像进行图像校正，得到目标图像，包括：依据所述每个边缘角点的位置坐标信息将所述第一图像从第一平面投影到第二平面上，得到所述目标图像，其中，所述第一平面为所述第一图像当前所在的
平面，所述第二平面不同于所述第一平面。
[0008]进一步地，所述边缘锐化模型通过如下过程得到：获取目标样本数据，其中，所述目标样本数据中包括第一数据集合和第二数据集合，所述第一数据集合中包含M张第三图像，每张第三图像为一张图像角度存在异常偏转的图像，所述第二数据集合中包含与所述每张第三图像相对应的第四图像，所述第四图像为对所述第三图像进行所述边缘锐化处理后得到的图像，M为正整数；对所述第一数据集合中的第三图像和所述第二数据集合中的第四图像进行图像处理，得到所述第一数据集合对应的第一子集以及所述第二数据集合对应的第二子集，其中，所述图像处理用于将所述第一数据集合中的第三图像和所述第二数据集合中的第四图像均转化为预设尺寸的图像；依据所述第一子集和第二子集对初始边缘锐化模型进行迭代训练，得到所述边缘锐化模型。
[0009]进一步地，依据所述第一子集和第二子集对初始边缘锐化模型进行迭代训练，得到所述边缘锐化模型，包括：提取所述第一子集和所述第二子集中每张图像的图像特征，其中，所述图像特征用于表征所述图像中的边缘轮廓特征；将提取到的所有图像特征输入至所述初始边缘锐化模型中，并基于预设损失函数对所述初始边缘锐化模型进行所述迭代训练，得到所述边缘锐化模型。
[0010]进一步地，所述目标神经网络模型通过如下过程得到：通过所述边缘锐化模型对所述M张第三图像中的每张第三图像进行所述边缘锐化处理，得到M张第五图像；设置每张第五图像对应的图像标签，其中，所述每张第五图像对应的图像标签用于表征该第五图像对应的每个边缘角点的实际位置坐标信息；将所述M张第五图像以及所述每张第五图像对应的图像标签输入至初始神经网络模型中，进行迭代训练，得到所述目标神经网络模型。
[0011]进一步地，将所述M张第五图像以及所述每张第五图像对应的图像标签输入至初始神经网络模型中，进行迭代训练，得到所述目标神经网络模型，包括：通过所述初始神经网络模型中的卷积神经网络对所述每张第五图像进行特征提取，得到所述每张第五图像对应的第一特征图；将所述每张第五图像对应的第一特征图输入至所述初始神经网络模型的池化层中，得到所述池化层输出的每张第五图像对应的第二特征图，其中，所述第一特征图的图像维度高于所述第二特征图的图像维度；将所述每张第五图像对应的第二特征图以及所述每张第五图像对应的图像标签输入至所述初始神经网络模型的全连接层中，进行所述迭代训练，得到所述目标神经网络模型。
[0012]进一步地，设置每张第五图像对应的图像标签，包括：获取所述每张第五图像对应的边缘角点的数量；基于所述边缘角点的数量对所述每张第五图像设置所述图像标签。
[0013]进一步地，设置每张第五图像对应的图像标签，包括：获取所述每张第五图像对应的褶皱等级，其中，所述褶皱等级用于表征所述第五图像中褶皱的严重程度；基于所述褶皱等级对所述每张第五图像设置所述图像标签。
[0014]根据本申请的另一方面，还提供了一种图像校正装置，包括：获取模块，用于获取待校正的第一图像，其中，所述第一图像为图像角度存在异常偏转的图像；处理模块，用于通过边缘锐化模型对所述第一图像进行边缘锐化处理，得到第二图像，其中，所述边缘锐化处理用于增强所述第一图像的边缘轮廓；输出模块，用于将所述第二图像输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果中至少包括所述第二图像对应的每个边缘角点的位置坐标信息；校正模块，用于基于所述每个边缘角
点的位置坐标信息对所述第一图像进行图像校正，得到目标图像。
[0015]根据本申请的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的图像校正方法。
[0016]根据本申请的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的图像校正方法。
[0017]在本申请中，首先获取待校正的第一图像，其中，所述第一图像为图像角度存在异常偏转的图像；然后通过边缘锐化模型对所述第一图像进行边缘锐化处理，得本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像校正方法，其特征在于，包括：获取待校正的第一图像，其中，所述第一图像为图像角度存在异常偏转的图像；通过边缘锐化模型对所述第一图像进行边缘锐化处理，得到第二图像，其中，所述边缘锐化处理用于增强所述第一图像的边缘轮廓；将所述第二图像输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果中至少包括所述第二图像对应的每个边缘角点的位置坐标信息；基于所述每个边缘角点的位置坐标信息对所述第一图像进行图像校正，得到目标图像。2.根据权利要求1所述的方法，其特征在于，基于所述每个边缘角点的位置坐标信息对所述第一图像进行图像校正，得到目标图像，包括：依据所述每个边缘角点的位置坐标信息将所述第一图像从第一平面投影到第二平面上，得到所述目标图像，其中，所述第一平面为所述第一图像当前所在的平面，所述第二平面不同于所述第一平面。3.根据权利要求1所述的方法，其特征在于，所述边缘锐化模型通过如下过程得到：获取目标样本数据，其中，所述目标样本数据中包括第一数据集合和第二数据集合，所述第一数据集合中包含M张第三图像，每张第三图像为一张图像角度存在异常偏转的图像，所述第二数据集合中包含与所述每张第三图像相对应的第四图像，所述第四图像为对所述第三图像进行所述边缘锐化处理后得到的图像，M为正整数；对所述第一数据集合中的第三图像和所述第二数据集合中的第四图像进行图像处理，得到所述第一数据集合对应的第一子集以及所述第二数据集合对应的第二子集，其中，所述图像处理用于将所述第一数据集合中的第三图像和所述第二数据集合中的第四图像均转化为预设尺寸的图像；依据所述第一子集和所述第二子集对初始边缘锐化模型进行迭代训练，得到所述边缘锐化模型。4.根据权利要求3所述的方法，其特征在于，依据所述第一子集和所述第二子集对初始边缘锐化模型进行迭代训练，得到所述边缘锐化模型，包括：提取所述第一子集和所述第二子集中每张图像的图像特征，其中，所述图像特征用于表征所述图像中的边缘轮廓特征；将提取到的所有图像特征输入至所述初始边缘锐化模型中，并基于预设损失函数对所述初始边缘锐化模型进行所述迭代训练，得到所述边缘锐化模型。5.根据权利要求3所述的方法，其特征在于，所述目标神经网络模型通过如下过程得到：通过所述边缘锐化模型对所述M张第三图像中的每张第三图像进行所述边缘锐化处理，得到M张第五图像；设置每张第五图像对应的图像标签，其中，所述每张第五图像对应的图像标签用于表征该第五图像对应的每...
【专利技术属性】
技术研发人员：李铁岭，姜璐，许政伟，杨晓诚，
申请(专利权)人：中国工商银行股份有限公司，
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。