[发明专利]图像处理方法、系统、计算机设备、存储介质和芯片

说明书

本申请涉及一种图像处理方法、系统、计算机设备、存储介质和芯片。所述方法包括：将待处理图像输入第一神经网络模型中进行特征提取，得到第一特征向量，利用第一神经网络模型对第一特征向量进行横纵向特征相关性处理，得到第二特征向量，从而增加了像素分类的准确性。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种图像处理方法、系统、计算机设备、存储介质和芯片。

背景技术

水印去除作为图像数据清洗不可或缺的重要组成部分，已逐渐发展成为图像数据清洗的主要手段，被广泛地应用于图像识别、图像匹配等大数据处理领域。传统的水印去除方法是通过对图像中的像素逐一进行分类，例如，预先设置一个阈值，若某像素的像素值大于预设阈值，则认为其为非水印像素，保留该像素；若某像素的像素值小于预设阈值，则认为其为水印像素，去除该像素。然而，通过该方法会使得去除水印后的图像模糊不清。

发明内容

基于此，有必要针对上述技术问题，提供一种图像处理方法、系统、计算机设备、存储介质和芯片。

一种图像处理方法，所述方法包括：

将待处理图像输入第一神经网络模型中进行特征提取，得到第一特征向量；

利用所述第一神经网络模型对所述第一特征向量进行横纵向特征相关性处理，得到第二特征向量。

在其中一个实施例中，所述第一神经网络模型包括第一卷积神经网络和循环神经网络；

所述第一卷积神经网络，用于对输入的所述待处理图像进行特征提取，得到所述第一特征向量；

所述循环神经网络，用于对输入的所述第一特征向量进行横纵向特征相关性处理，得到所述第二特征向量。

在其中一个实施例中，所述利用所述第一神经网络模型对所述第一特征向量进行横纵向特征相关性处理，得到第二特征向量，包括：

利用所述循环神经网络对输入的所述第一特征向量进行横向像素相关性分类处理，得到第三特征向量；

利用所述循环神经网络对所述第三特征向量进行纵向像素相关性分类处理，得到所述第二特征向量。

在其中一个实施例中，所述方法还包括：

将所述第二特征向量输入至第二神经网络模型中进行特征提取，得到第四特征向量；

利用所述第二神经网络模型对所述第四特征向量进行轮廓特征调整，输出第五特征向量，其中，所述第五特征向量是轮廓特征加粗后的特征向量。

在其中一个实施例中，所述第二神经网络模型包括第二卷积神经网络和后处理模型；

所述第二卷积神经网络，用于对输入的所述第二特征向量进行特征提取，得到所述第四特征向量；

所述后处理模型，用于对输入的所述第四特征向量进行特征映射，输出所述第五特征向量。

一种图像处理系统，所述系统包括第一神经网络模型，所述第一神经网络模型用于：

对输入的待处理图像进行特征提取，得到第一特征向量；

对所述第一特征向量进行横纵向特征相关性处理，得到第二特征向量。

在其中一个实施例中，所述第一神经网络模型包括第一卷积神经网络和循环神经网络；

所述第一卷积神经网络，用于对输入的所述待处理图像进行特征提取，得到所述第一特征向量；

所述循环神经网络，用于对输入的所述第一特征向量进行横纵向特征相关性处理，得到所述第二特征向量。

在其中一个实施例中，所述系统还包括第二神经网络模型，所述第二神经网络模型用于：