[发明专利]图片处理方法、电子装置及存储介质

权利要求书

1.一种图片处理方法，其特征在于，该方法包括以下步骤：

样本训练步骤：获取样本图片库，所述样本图片库包括多个带有标记框的样本图片以及对应的多个不带有标记框的样本图片，对所述样本图片库进行训练，得到所述带有标记框的样本图片及所述对应的不带有标记框的样本图片的归类函数，所述标记框为采用预设颜色绘制的闭合框线；

归类判断步骤：获取待处理的原始图片，基于所述归类函数计算所述待处理的原始图片的归类值，若该归类值满足第一预设条件，则判定该原始图片中包括采用所述预设颜色绘制的标记框；

空间转换步骤：若判定该原始图片中包括采用所述预设颜色绘制的标记框，则将所述包括标记框的原始图片从RGB空间转换到HSV空间，将所述原始图片中的每个像素都分解成色度H、饱和度S和亮度V值，从而得到HSV图片；

二值化处理步骤：根据所述预设颜色在HSV空间中的取值范围，设定二值化阈值，使用所述二值化阈值，判断所述HSV图片中各个像素点的色度H、饱和度S和亮度V值是否满足所述二值化阈值，根据判断结果对所述HSV图片中每个像素进行二值化处理，得到所述HSV图片对应的二值化图片；

轮廓检测步骤：通过轮廓检测算法，从所述二值化图片中检测出目标轮廓，并提取所述目标轮廓的位置信息作为所述原始图片中标记框对应的位置信息，根据所述位置信息对所述待处理的原始图片进行裁剪，得到原始图片中标记框对应的局部图片。

2.如权利要求1所述的图片处理方法，其特征在于，所述对所述样本图片库进行训练，得到所述带有标记框的样本图片及所述对应的不带有标记框的样本图片的归类函数包括：

构建卷积神经网络，通过所述卷积神经网络对所述样本图片库进行训练，得到所述样本图片库对应的卷积神经网络模型；

根据样本图片库中每个图片是否带有所述标记框的备注信息，将所述样本图片库分为含标记框图片集和无标记框图片集，所述含标记框图片集包括所述多个带有标记框的样本图片，所述无标记框图片集包括所述对应的多个不带有标记框的样本图片；

将所述含标记框图片集和所述无标记框图片集分别输入所述卷积神经网络模型，通过所述卷积神经网络模型的卷积核卷积得到所述含标记框图片集对应的特征值向量集，以及所述无标记框图片集对应的特征值向量集；

通过支持向量机算法对所述含标记框图片集对应的特征值向量集和所述无标记框图片集对应的特征值向量集进行计算，得到所述含标记框图片集及所述无标记框图片集的归类函数。

3.如权利要求2所述的图片处理方法，其特征在于，所述获取待处理的原始图片，基于所述归类函数计算所述待处理的原始图片的归类值，若该归类值满足第一预设条件，则判定该原始图片中包括采用所述预设颜色绘制的标记框包括：

获取待处理的原始图片，将所述待处理的原始图片输入所述卷积神经网络模型，得到该待处理的原始图片对应的特征向量；

对所述原始图片对应的特征向量基于所述归类函数计算所述待处理的原始图片的归类值，并判断该归类值是否大于预设阈值，若该归类值大于所述预设阈值，则判定该原始图片中包括采用所述预设颜色绘制的标记框。

4.如权利要求3所述的图片处理方法，其特征在于，所述归类函数表示如下：

f(x)＝wx+b；

其中，w为通过支持向量机算法对所述含标记框图片集对应的特征值向量集进行计算后得到的参数，b为通过支持向量机算法对所述无标记框图片集对应的特征值向量集进行计算后得到的参数，x表示所述待处理的原始图片对应的特征向量。

5.如权利要求1所述的图片处理方法，其特征在于，所述通过轮廓检测算法，从所述二值化图片中检测出目标轮廓包括：

通过轮廓检测算法，从所述二值化图片中检测出一个或多个候选轮廓；

分别计算所述一个或多个候选轮廓的尺寸大小，并将计算结果与第二预设条件进行对比，将对应计算结果满足所述第二预设条件的候选轮廓作为目标轮廓。