[发明专利]图片处理方法、电子装置及存储介质

说明书

本发明提供了一种图片处理方法，包括：对样本图片库进行训练，得到带有标记框的样本图片及不带有标记框的样本图片的归类函数；基于归类函数计算原始图片的归类值，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；将原始图片从RGB空间转换到HSV空间，得到HSV图片；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，对所述HSV图片中每个像素进行二值化处理，得到二值化图片；从二值化图片中提取目标轮廓的位置信息，根据所述位置信息对原始图片进行裁剪得到标记框对应的局部图片。本发明还提供一种电子装置及存储介质。利用本发明可以快速准确地从所述原始图片中裁剪出标记框对应的局部图片。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图片处理方法、电子装置及存储介质。

背景技术

随着互联网技术的发展，各类网络资源非常丰富，极大地便利了用户对资源的获取。例如，网络上有海量高清的风景图片，从而用户无需亲自实地拍摄也可能找到所需的图片。其中，为了标记出图片中需要关注的局部内容，有些图片带有采用某一颜色绘制的标记框，例如交通监控拍摄的照片中，以红方框在照片中标记出了违规的人或车辆等，而这些局部内容正是用户希望找到的内容。因此，用户不仅希望能找到所需的原始图片，更希望能获取原始图片中标记框对应的局部图片。然而，对于此类已带有标记框的原始图片，由于标记框的位置信息无法直接提取，从而难以对原始图片进行精确裁剪以得到所述标记框对应的局部图片。在原始图片数量较大的情况下，更加需要自动快速的方式实现所述局部图片的提取。

发明内容

鉴于以上原因，有必要提供一种图片处理方法、电子装置及存储介质，可以识别带有标记框的原始图片，并自动从带有标记框的原始图片中提取所述标记框的位置信息，根据所述位置信息从而实现快速准确地从所述原始图片中裁剪出标记框对应的局部图片。

为实现上述目的，本发明提供一种图片处理方法，该方法包括：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。

可选地，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。